La toma de decisiones precisa bajo incertidumbre para problemas de transporte a menudo requiere predecir parámetros desconocidos a partir de información contextual. Los marcos tradicionales de dos etapas separan la predicción y la optimización, lo que puede llevar a decisiones subóptimas, ya que minimizar el error de predicción no necesariamente minimiza la pérdida de decisión. Para abordar esta limitación, inspirados en el marco inteligente de predecir y luego optimizar, introducimos una nueva función de pérdida lineal por tramos (PLLF) ajustable. En lugar de incorporar directamente la pérdida de decisión en el objetivo de aprendizaje basado en un problema específico, PLLF sirve como un mecanismo de retroalimentación general que guía el modelo de predicción en función de la estructura y sensibilidad de la tarea de optimización subyacente. Este diseño permite que el proceso de entrenamiento priorice las predicciones que son más relevantes para la decisión. Además, desarrollamos una estrategia de búsqueda de parámetros heurística que adapta PLLF utilizando datos de validación, mejorando su generalizabilidad en diferentes configuraciones de datos. Probamos nuestro método con una tarea de selección de ruta binaria, el escenario más simple para aislar y evaluar el impacto de nuestro enfoque de modelado en la calidad de la decisión. Experimentos con múltiples modelos de aprendizaje automático muestran mejoras consistentes en la calidad de la decisión, con las redes neuronales mostrando las ganancias más significativas, mejorando los resultados de decisión en 36 de 45 casos. Estos resultados destacan el potencial de nuestro marco para mejorar los procesos de toma de decisiones que dependen de percepciones predictivas en sistemas de transporte, especialmente en problemas de enrutamiento, programación y asignación de recursos donde la incertidumbre juega un papel crítico. En general, nuestro enfoque ofrece una solución práctica y escalable para integrar la predicción y la optimización en aplicaciones de transporte del mundo real.