En entornos urbanos de Redes Ad Hoc Vehiculares (VANET), los edificios juegan un papel crucial ya que pueden actuar como obstáculos que atenúan la señal de transmisión entre vehículos. Tales obstáculos conducen a efectos de trayectoria múltiple, los cuales podrían impactar sustancialmente la transmisión de datos debido al desvanecimiento. Por lo tanto, cuantificar el impacto de los edificios en la calidad de la transmisión es un parámetro clave del modelo de propagación, especialmente en escenarios críticos que involucran vehículos de emergencia donde la comunicación confiable es de suma importancia. En esta investigación, proponemos un enfoque de aprendizaje supervisado basado en Redes Neuronales Artificiales (ANNs) para desarrollar un modelo predictivo capaz de estimar el nivel de degradación de la señal, representado por la Tasa de Error de Bits (BER), basado en los obstáculos percibidos por los vehículos de emergencia en movimiento. Al establecer una relación entre el nivel de degradación de la señal y los obstáculos encontrados, nuestro mecanismo propuesto permite que se tomen decisiones de enrutamiento eficientes antes del proceso de transmisión. En consecuencia, los paquetes de datos se enrutan a través de caminos que muestran la BER más baja. Para recopilar los datos de entrenamiento, empleamos Network Simulator 3 (NS-3) en conjunto con el simulador Simulation of Urban MObility (SUMO), aprovechando datos del mundo real obtenidos de la base de datos geográfica OpenStreetMap (OSM). OSM nos permitió recopilar datos geoespaciales relacionados con la estructura geométrica bidimensional de los edificios, que sirvieron como entrada para nuestra Red Neuronal Artificial (ANN). Para determinar el algoritmo más adecuado para nuestra ANN, evaluamos la precisión de diez algoritmos de aprendizaje en MATLAB, utilizando cinco métricas clave: Error Cuadrático Medio (MSE), Raíz del Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE), Coeficiente de Correlación (R) y Error de Predicción Máximo (MaxPE). Para cada algoritmo, realizamos quince iteraciones basadas en diez neuronas ocultas y evaluamos su precisión frente a las métricas mencionadas anteriormente. Nuestro análisis destacó que la ANN respaldada por el algoritmo de aprendizaje Conjugate Gradient With Powell/Beale Restarts (CGB) exhibió un rendimiento superior en términos de MSE, RMSE, MAE, R y MaxPE en comparación con otros algoritmos como Levenberg-Marquardt (LM), Bayesian Regularization (BR), BFGS Quasi-Newton (BFG), Resilient Backpropagation (RP), Scaled Conjugate Gradient (SCG), Fletcher-Powell Conjugate Gradient (CGF), Polak-Ribiére Conjugate Gradient (CGP), One-Step Secant (OSS) y Variable Learning Rate Backpropagation (GDX). La predicción de BER por nuestra ANN incorpora el modelo de propagación TWO-RAY Ground (TRG), un parámetro ajustable dentro de NS-3. Cuando se sometió a 300 muestras nuevas, los resultados de simulación de la ANN entrenada ilustraron su capacidad para aprender, generalizar y predecir con éxito la BER para una nueva instancia de datos. En general, nuestra investigación contribuye a mejorar el rendimiento y la confiabilidad de la comunicación en entornos urbanos de VANET, especialmente en escenarios críticos que involucran vehículos de emergencia, aprovechando el aprendizaje supervisado y las redes neuronales artificiales para predecir los niveles de degradación de la señal y optimizar las decisiones de enrutamiento en consecuencia.