Los accidentes de tráfico (RTA) causan pérdidas humanas y daños físicos y psicológicos irreparables a muchas de las víctimas. También implican una dimensión económica muy relevante. Es urgente mejorar la gestión de los recursos humanos y materiales para una prevención más efectiva. Este trabajo hace una importante contribución al presentar una metodología que permitió lograr un modelo predictivo para la ocurrencia de RTA en una carretera con una alta tasa de RTA. La predicción se obtiene para cada segmento de carretera en un día y hora determinados y combina resultados de métodos estadísticos, análisis espacial y modelos de inteligencia artificial. Se compara el rendimiento de tres modelos de aprendizaje automático (ML) (Random Forest, C5.0 y regresión logística) utilizando diferentes enfoques para datos desbalanceados (muestreo aleatorio, muestreo direccional y ejemplos de sobre-muestreo aleatorio (ROSE)) y utilizando diferentes longitudes de segmento (500 m y 2000 m). Este estudio utilizó datos de RTA de 2016-2019 (entrenamiento) y de mayo de 2021 a junio de 2022 (prueba). El modelo más efectivo fue una regresión logística de ML con el enfoque ROSE, utilizando segmentos de 500 m (sensibilidad = 87%, especificidad = 60%, AUC = 0.82). El modelo se implementó en una aplicación digital, y una fuerza de seguridad portuguesa ya lo está utilizando.