Las emisiones de vehículos de motor son una gran preocupación por la calidad del aire en las ciudades chinas. Sin embargo, los métodos tradicionales de inventario de emisiones basados en la población no logran capturar las variaciones espaciales y temporales en las emisiones para un diseño de políticas efectivo. Este estudio propone un enfoque de alta resolución para la predicción del flujo de tráfico y la estimación del inventario de emisiones de vehículos, utilizando la ciudad de Jinan, China, como estudio de caso. Aprovechamos datos geoespaciales de múltiples fuentes y empleamos un modelo de bosque aleatorio de dos etapas para predecir el flujo de tráfico horario a nivel de segmento de carretera. Los factores de emisión alineados con la velocidad se combinaron luego con estos datos para calcular estimaciones de emisiones de vehículos a nivel horario y de carretera. En comparación con los métodos tradicionales, nuestro enfoque ofrece mejoras sustanciales: (1) mejor resolución espaciotemporal; (2) mayor precisión en la predicción del flujo de tráfico; y (3) apoyo a estrategias de control de emisiones de vehículos más efectivas. Los resultados muestran que los vehículos de carga pesada, particularmente los camiones de carga que operan en corredores interregionales a través de Jinan, contribuyen un 78% más a las emisiones de NO que los vehículos ligeros locales. Estas emisiones transitorias suelen ser pasadas por alto en los inventarios estáticos, pero constituyen una fuente significativa de contaminación urbana. Este estudio ofrece valiosas ideas para combinar datos geoespaciales y aprendizaje automático para mejorar la precisión y resolución de los inventarios de emisiones de vehículos, apoyando la política y planificación de la calidad del aire urbano.