En este documento, nos enfocamos en entrenar una máquina de vectores de soporte (SVM) en línea con un solo pase sobre datos en continuo. Los SVM de modo por lotes tradicionales requieren datos de entrenamiento previamente preparados; estos modelos pueden no ser adecuados para circunstancias de datos en continuo. Los SVM en línea son herramientas efectivas para resolver este problema al recibir flujos de datos de manera consistente y actualizar los pesos del modelo en consecuencia. Sin embargo, la mayoría de los SVM en línea requieren múltiples pases de datos antes de que los pesos actualizados converjan a soluciones estables, y pueden no ser capaces de abordar flujos de datos de alta velocidad. Este documento presenta OSVM_SP, un nuevo SVM en línea con un solo pase sobre datos en continuo, y tres versiones presupuestadas para limitar el requisito de espacio con principios de eliminación de vectores de soporte. Los resultados experimentales obtenidos con cinco conjuntos de datos públicos muestran que OSVM_SP supera a la mayoría de los algoritmos en línea de pase único de última generación en términos de precisión y es comparable a los SVM de modo por lotes. Además, los algoritmos presupuestados propuestos logran un rendimiento predictivo comparable con solo 1/3 del requisito de espacio.