En los últimos años, ha habido varios intentos de utilizar técnicas de aprendizaje automático para mejorar el rendimiento de algoritmos de optimización exactos y aproximados. A lo largo de esta línea de investigación, el presente artículo muestra cómo las técnicas supervisadas y no supervisadas pueden utilizarse para mejorar la calidad de las soluciones generadas por una heurística para el Problema del Viajante de Comercio Dependiente del Tiempo sin aumentar el tiempo de computación. Esto puede ser útil en un entorno de tiempo real donde una actualización de velocidad (o la llegada de una nueva solicitud de cliente) puede llevar a la reoptimización de la ruta planificada. La principal contribución de este trabajo es mostrar cómo reutilizar la información obtenida en aquellos entornos en los que instancias con características similares deben resolverse una y otra vez, como es habitual en la gestión de distribución. Utilizamos un método basado en el procedimiento del vecino más cercano (aprendizaje supervisado) y el algoritmo de K-medias con la distancia euclidiana (aprendizaje no supervisado). Con el fin de mostrar la efectividad de este enfoque, los experimentos computacionales se han llevado a cabo para el conjunto de datos generado basado en las funciones reales de tiempo de viaje de dos ciudades europeas: París y Londres. La mejora promedio general de nuestra heurística sobre el procedimiento clásico del vecino más cercano es de alrededor de para Londres, y de alrededor de para París.