Este estudio presenta una versión mejorada del modelo de elección discreta que combina una arquitectura neuronal incrustada para mejorar la precisión predictiva mientras se conserva la interpretabilidad en la modelización de elección a lo largo de dimensiones temporales. A diferencia de las arquitecturas tradicionales, que utilizan directamente datos sin transformaciones intermedias, este estudio introduce un enfoque modificado que incorpora incrustaciones temporales para mejorar el rendimiento predictivo. Aprovechando el conjunto de datos del acelerómetro de teléfonos, el modelo destaca en precisión predictiva, capacidad de discriminación y robustez, superando a los puntos de referencia tradicionales. Con estimaciones de parámetros intrincados que capturan orientaciones espaciales y patrones específicos de usuarios, el modelo ofrece una mejor interpretabilidad. Además, el modelo exhibe una notable eficiencia computacional, minimizando el tiempo de entrenamiento y el uso de memoria, al tiempo que garantiza una velocidad de inferencia competitiva. Consideraciones específicas del dominio confirman su precisión predictiva en diferentes conjuntos de datos. En general, el modelo en cuestión emerge como una herramienta transparente, comprensible y poderosa para descifrar datos de acelerómetro y predecir actividades de usuarios en aplicaciones del mundo real.