La creciente convergencia de varios servicios caracteriza las redes de acceso inalámbrico. Por lo tanto, hay una alta demanda para la provisión del espectro que sirva a usuarios simultáneos que exigen altas tasas de rendimiento. La predicción de carga en cada punto de acceso es obligatoria para asignar recursos y asistir en diseños de red sofisticados. Sin embargo, la carga en cada punto de acceso varía según el número de dispositivos conectados y las características del tráfico. En este documento, proponemos una estrategia de estimación de carga basada en una cadena de Markov para predecir el número de dispositivos conectados a cada punto de acceso en la red inalámbrica, y aplicamos un modelo de aprendizaje automático no supervisado para identificar perfiles de tráfico. Los principales objetivos son determinar patrones de tráfico y proyecciones de sobrecarga en la red inalámbrica, escalar la red de manera eficiente y proporcionar una base de conocimiento para herramientas de seguridad. Evaluamos la propuesta en una red universitaria a gran escala, con 670 puntos de acceso distribuidos en una amplia área. Los datos recopilados son desidentificados y el procesamiento de datos ocurre en la nube. Los resultados de la evaluación muestran que la propuesta predice el número de dispositivos conectados con un 90% de precisión y discrimina cinco perfiles de tráfico de usuario diferentes en la carga de la red inalámbrica.