La previsión del tráfico ha sido un área importante de investigación durante varias décadas, con implicaciones significativas para la planificación, gestión y control del tráfico urbano. En los últimos años, los modelos de aprendizaje profundo, como las redes neuronales de grafos (GNN), han mostrado un gran potencial en la previsión del tráfico debido a su capacidad para capturar dependencias espaciotemporales complejas dentro de las redes de tráfico. Además, las autoridades públicas de todo el mundo han comenzado a proporcionar datos de tráfico en tiempo real como datos abiertos del gobierno (OGD). Este gran volumen de datos dinámicos y de alto valor puede abrir nuevas avenidas para crear algoritmos, servicios y aplicaciones innovadoras. En este artículo, investigamos el uso de OGD de tráfico con algoritmos avanzados de aprendizaje profundo. Específicamente, implementamos dos modelos de GNN: la Red Neuronal Convolucional Temporal y la Red Neuronal Recurrente Convolucional de Difusión, para predecir el flujo de tráfico basado en OGD de tráfico en tiempo real. Nuestra evaluación de los modelos de previsión muestra que ambos modelos de GNN superan a los dos modelos de referencia: Promedio Histórico y Promedio Móvil Integrado Autoregresivo, en términos de rendimiento de predicción. Anticipamos que la explotación de OGD en escenarios de aprendizaje profundo contribuirá al desarrollo de algoritmos de previsión del tráfico más robustos y fiables, así como a proporcionar servicios públicos innovadores y eficientes para ciudadanos y empresas.