Las redes de sensores móviles consisten en diferentes tipos de dispositivos integrados que recopilan, difunden, procesan y almacenan información de los entornos en los que se implementan. Este tipo de red permite el desarrollo de aplicaciones y sistemas en diferentes áreas para la generación de conocimiento. En este artículo, proponemos un modelo llamado Modelo de Predicción de Llegada de Metrobús (MAP) para predecir los tiempos de llegada de los autobuses de la Línea 6 del sistema de transporte rápido en autobús (BTR), conocido como Metrobús, en la Ciudad de México (CDMX). La red está compuesta por nodos móviles y estáticos que recopilan datos relacionados con la velocidad y posición de cada autobús del Metrobús. Estos datos se envían al modelo de series temporales propuesto, que arroja la estimación del tiempo de llegada del Metrobús. MAP permite estimar la densidad de usuarios proyectada durante el día con un modelo de series temporales que utiliza los datos recopilados y los datos históricos de cada estación. Se realiza una comparación entre los resultados del modelo y el tiempo de llegada obtenido con aplicaciones de monitoreo de tráfico en tiempo real, como Moovit y Google Maps. El modelo propuesto, basado en series temporales, toma los datos históricos (datos de tiempos de trayectoria) como referencia para iniciar los primeros tiempos de llegada. A partir de estos valores, MAP se nutre de los datos recopilados a través de la red de sensores. A medida que los datos se recopilan a través de la red de sensores, las estimaciones presentan resultados, por ejemplo, el error absoluto medio (MAE) del tiempo esperado fue inferior a 0.2 s y el error cuadrático medio (RMSE) del valor esperado estuvo por debajo de 1 para el modelo propuesto. En comparación con las plataformas de tráfico en tiempo real, presenta un valor de 0.1650 de la dispersión promedio obtenida en los tiempos de viaje. Los valores obtenidos proporcionan certeza de que los datos presentados muestran resultados tan precisos como una plataforma en tiempo real que requiere los datos en los momentos en que ocurren las variaciones de tráfico. Además, a diferencia de otros modelos de vanguardia que rara vez interactúan en el sitio, MAP requiere un número reducido de variables, siendo una herramienta accesible para la implementación y escalado del monitoreo de tráfico en tiempo real.