Los virus respiratorios, como el COVID-19, se propagan a lo largo del tiempo y el espacio en función de las interacciones humanas. La movilidad humana juega un papel clave en la propagación del virus. Diferentes tipos de sensores en ciudades inteligentes pueden monitorear continuamente la movilidad humana relacionada con el tráfico, mostrando el impacto del COVID-19 en los volúmenes y patrones de tráfico. De manera similar, los volúmenes de tráfico medidos por sensores de tráfico inteligentes proporcionan una variable proxy para capturar la movilidad humana, la cual se espera que tenga un impacto en las nuevas infecciones por COVID-19. Agregar datos de tráfico de sensores de ciudades inteligentes a modelos de aprendizaje automático diseñados para estimar los valores de incidencia de COVID-19 futuros debería proporcionar resultados optimizados en comparación con modelos basados únicamente en datos de COVID-19. Este documento propone un modelo novedoso para extraer patrones espacio-temporales en la propagación del virus COVID-19 para predicciones a corto plazo, organizando los datos de incidencia de COVID-19 y tráfico como secuencias temporales interrelacionadas de imágenes espaciales. El modelo se entrena y valida con datos reales de la ciudad de Madrid en España durante 84 semanas, combinando información de 4372 puntos de medición de tráfico y 143 centros de pruebas PCR de COVID-19. Los resultados se comparan con un modelo base diseñado para la extracción de patrones espacio-temporales a partir de secuencias de imágenes solo de COVID-19, mostrando que el uso de información de tráfico mejora los resultados al predecir una nueva ola de infecciones (los valores de MSE se reducen en un factor del 70%). También se analiza la información que los datos de tráfico tienen sobre la propagación del virus COVID-19, demostrando que los datos de tráfico por sí solos no son suficientes para una predicción precisa de COVID-19.