Con la creciente popularidad del Sistema Avanzado de Asistencia al Conductor (ADAS), hay una demanda creciente de un rendimiento de seguimiento de automóviles más parecido al humano. En este documento, consideramos el papel de la heterogeneidad en el comportamiento de seguimiento de automóviles dentro del modelado de seguimiento de automóviles. Incorporamos factores de heterogeneidad en el seguimiento de automóviles en las características del modelo. Empleamos el método de eXtreme Gradient Boosting (XGBoost) para construir el modelo de seguimiento de automóviles. Los resultados muestran que nuestro modelo logra un rendimiento óptimo con un error cuadrático medio de 0.002181, superando al modelo que no tiene en cuenta los factores de heterogeneidad. Además, utilizando un análisis de importancia del modelo, determinamos que la puntuación de importancia acumulada de los factores de heterogeneidad en el modelo es 0.7262. Los resultados demuestran el impacto significativo de los factores de heterogeneidad en la predicción del comportamiento de seguimiento de automóviles y resaltan la importancia de incorporar factores de heterogeneidad en los modelos de seguimiento de automóviles.