Esta investigación examina las preocupaciones mundiales sobre la congestión del tráfico, abarcando aspectos como la seguridad, el estacionamiento, la contaminación y la congestión. Específicamente enfatiza la importancia de implementar un cronometraje adecuado de los semáforos como un medio para mitigar estos problemas. La investigación utilizó un conjunto de datos de Montreal y dividió el área simulada en varias zonas para determinar los niveles de congestión para cada zona individual. Se han empleado una variedad de algoritmos de predicción, como Long Short-Term Memory (LSTM), Decision Tree (DT), Recurrent Neural Network (RNN), Auto-Regressive Integrated Moving Average (ARIMA) y Seasonal Auto-Regressive Integrated Moving Average (SARIMA), para predecir los niveles de congestión en cada semáforo. Esta información se utilizó en una formulación matemática para minimizar el tiempo de espera promedio de los vehículos dentro de la red vial. Se analizaron y compararon muchos metaheurísticos, y se sugirió la introducción de un Algoritmo Bat Mejorado (EBAT) para abordar el problema de optimización de la señal de tráfico. Tres escenarios distintos son descritos: fijo (con un tiempo de verde constante de 40 s), dinámico (donde el tiempo cambia en tiempo real basado en el nivel actual de congestión) y adaptativo (que implica predecir la congestión con anticipación). Los escenarios son estudiados con escenarios de baja y alta congestión en la red vial. El Algoritmo Bat Mejorado (EBAT) se presenta como una solución para optimizar el cronometraje de las señales de tráfico. Mejora el algoritmo Bat original al incorporar ajustes de parámetros adaptativos y técnicas de exploración guiada informadas por los niveles de congestión predichos. El algoritmo EBAT proporciona un tratamiento más efectivo para los problemas de congestión al reducir el tiempo de viaje, mejorar el flujo de vehículos y minimizar las emisiones de contaminantes.