Los cuellos de botella del tráfico en las redes viales urbanas son más difíciles de investigar y descubrir que en autopistas o redes arteriales simples. Un cuello de botella indica la evolución de la congestión y la formación de colas, lo que perturba consecuentemente la demora en los viajes y degrada el entorno y la seguridad del tráfico urbano. Para las redes viales urbanas, se necesitan sensores que cubran una amplia gama de áreas, especialmente para el análisis de cuellos de botella y bloqueos, lo que requiere altos costos de instalación y mantenimiento. La creciente disponibilidad generalizada de vehículos GPS ayuda significativamente a superar las limitaciones de cobertura geográfica y espaciado de los datos de detectores fijos tradicionales. Por lo tanto, este estudio investigó vehículos GPS que han pasado por los enlaces en el área simulada de intersección bloqueada en bucle. La estimación del tamaño de la muestra es fundamental para cualquier análisis de ingeniería de tráfico. Por lo tanto, este estudio probó diferentes tamaños de muestra para analizar el estado de congestión severa del bloqueo. La predicción de las condiciones del tráfico es uno de los componentes principales de los sistemas de transporte inteligente. En este estudio, se aplicó la red neuronal Long Short-Term Memory (LSTM) para predecir bloqueos basados en estados de cuellos de botella de intersecciones en la red vial urbana simulada. Este estudio decidió trabajar con el conjunto de datos del Simulador SUMO Chula-Sathorn (Chula-SSS). Se calibró con la recopilación de datos de tráfico reales pasados utilizando el software Simulation of Urban MObility (SUMO). Los experimentos muestran que LSTM proporciona resultados satisfactorios para la predicción de bloqueos con dependencias temporales. El error de predicción informado se basa en dependencias temporales a largo plazo en los tamaños de muestra respectivos utilizando el conjunto de datos calibrado de Chula-SSS. Por otro lado, la baja tasa de muestreo de las trayectorias GPS da como resultado un alto error de RMSE y MAE, pero con un tiempo de cálculo reducido. El análisis del porcentaje de datos GPS simulados con diferentes números de semilla aleatoria sugiere la posibilidad de identificación de bloqueos e informa errores de predicción satisfactorios.