Predecir la movilidad de vehículos es crucial en dominios como el de los servicios de transporte, donde el equilibrio entre oferta y demanda es fundamental. Dado que las redes viales de la ciudad pueden representarse fácilmente como grafos, trabajos recientes han explotado las redes neuronales de grafos (GNNs) para producir predicciones más precisas sobre datos reales de tráfico. Sin embargo, se necesita una mejor comprensión de las características y limitaciones de este enfoque. En este trabajo, comparamos varios esquemas de predicción de movilidad agregada de GNN con una selección de otros enfoques en un escenario de simulación muy restringido y controlado. El grafo de la ciudad utilizado representa las carreteras como aristas dirigidas y las intersecciones viales como nodos. La movilidad individual de los vehículos se modela como transiciones entre nodos en el grafo. Se calcula una serie temporal de movilidad agregada contando vehículos en cada nodo en un momento dado. Se emplean tres enfoques principales para construir los predictores de movilidad agregada. Primero, se asume que el comportamiento de los individuos en movimiento sigue un modelo de cadena de Markov (MC) cuya matriz de transición se infiere a través de un procedimiento de estimación de mínimos cuadrados; la aplicación recurrente de este MC proporciona los valores de predicción de movilidad agregada. Segundo, se entrena un perceptrón multicapa (MLP) de modo que, dada la ocupación del nodo en un momento dado, pueda proporcionar de forma recursiva predicciones para los siguientes valores de la serie temporal. Tercero, se entrena un GNN (de acuerdo con el grafo de la ciudad) con los datos de la serie temporal a través de una formulación de aprendizaje supervisado que calcula, a través de una construcción de incrustaciones para cada nodo en el grafo, las predicciones de movilidad agregada. Se simulan algunos patrones de movilidad en la ciudad para generar diferentes series temporales con fines de prueba. Los esquemas propuestos se evalúan comparativamente con diferentes procedimientos de predicción de referencia. La comparación ilustra varias limitaciones de los enfoques de GNN en el escenario seleccionado y descubre futuras líneas de investigación.