Para mejorar la seguridad y eficiencia en escenarios de tráfico mixto, es crucial predecir con precisión el flujo de tráfico de camiones de carga. Los problemas surgen debido a las interacciones entre camiones de carga y vehículos de pasajeros, lo que conlleva a problemas como congestión de tráfico y accidentes. La utilización de datos del Sistema de Posicionamiento Global (GPS) es un método práctico para mejorar la comprensión y prever el movimiento del tráfico de camiones. Este estudio se enfoca principalmente en predecir el tiempo de tránsito de camiones, lo que implica estimar con precisión la duración que tomará para que un camión viaje entre dos ubicaciones. La predicción precisa tiene implicaciones significativas para la programación de camiones y la planificación urbana, especialmente en el contexto de terminales de cross-docking. Los algoritmos de regresión son beneficiosos en este escenario debido a la evidencia empírica que confirma su eficacia. Este estudio tiene como objetivo lograr predicciones precisas del tiempo de viaje para camiones mediante la utilización de datos de GPS y algoritmos de regresión. Esta investigación utiliza una variedad de algoritmos, incluyendo AdaBoost, GradientBoost, XGBoost, ElasticNet, Lasso, KNeighbors, Linear, LinearSVR y RandomForest. La investigación proporciona una evaluación exhaustiva y discusión de métricas de rendimiento importantes, incluyendo Error Cuadrático Medio (MSE), Raíz del Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE) y R-cuadrado (R). Basándonos en los hallazgos de nuestra investigación, combinar métodos empíricos, conocimiento algorítmico y evaluación de rendimiento ayuda a mejorar la predicción del tiempo de viaje de camiones. Esto tiene implicaciones significativas para la eficiencia logística y la dinámica del transporte.