Las abejas son polinizadores esenciales para los sistemas agrícolas, lo que hace que el monitoreo automatizado y preciso de su comportamiento sea crítico para evaluar la salud de la colonia y la estabilidad del ecosistema. Los avances recientes en visión por computadora e inteligencia artificial han permitido el monitoreo a gran escala del tráfico de abejas en las entradas de las colmenas; sin embargo, la mayoría de los métodos de clasificación de eventos existentes se centran exclusivamente en eventos simples de entrada y salida. Esta simplificación pasa por alto los movimientos compuestos, como los giros en U y los comportamientos de guardia, que representan una parte sustancial de la actividad de las abejas y pueden llevar a una reconstrucción inexacta de trayectorias y a interpretaciones de comportamiento engañosas. En este trabajo, analizamos sistemáticamente las estrategias de clasificación de eventos existentes utilizadas en el monitoreo automático del tráfico de abejas, evaluando su rendimiento tanto en movimientos simples como compuestos. Luego proponemos métodos de clasificación extendidos que modelan explícitamente eventos compuestos al incorporar patrones de movimiento bidireccional derivados de señales posicionales y angulares. Usando un conjunto de datos anotados manualmente de grabaciones de entradas de colmenas basadas en visión por computadora, comparamos enfoques basados en umbrales, desplazamiento y ángulo bajo condiciones de eventos simples y mixtos. Nuestros resultados demuestran que los eventos compuestos representan más de un tercio de todos los movimientos detectados y que los métodos de clasificación diseñados explícitamente para manejar comportamientos bidireccionales superan sustancialmente a los enfoques tradicionales tanto en precisión como en robustez. En particular, la clasificación bidireccional basada en umbrales logra un rendimiento casi perfecto cuando las trayectorias completas están disponibles, mientras que los métodos basados en desplazamiento proporcionan una alternativa confiable bajo observaciones parciales. Estos hallazgos destacan la importancia de modelar comportamientos compuestos en los sistemas de monitoreo automatizado de abejas y contribuyen a una reconstrucción de vuelo más precisa, análisis de comportamiento y soporte de decisiones impulsado por IA para la agricultura de precisión y la gestión de polinizadores.