Los sensores de tráfico desempeñan un papel fundamental en el monitoreo y la evaluación de las condiciones de tráfico en toda la red. Sin embargo, los costos sustanciales asociados con el despliegue de una extensa red de sensores en sistemas de carreteras del mundo real pueden resultar prohibitivos. Por lo tanto, la selección estratégica de ubicaciones óptimas para los sensores dentro de las limitaciones de presupuesto y recursos se vuelve imperativa, lo que lleva al conocido Problema de Localización de Sensores de Tráfico (TSLP). En este estudio, introducimos un nuevo marco para abordar el TSLP en redes de carreteras a gran escala, centrándonos en maximizar la ganancia de información en un espacio vectorial conjunto que captura de manera integral tanto la topología de la red como las características a nivel de segmento. Para resolver este problema de optimización, diseñamos un algoritmo genético (GA) con manejo de penalizaciones. Además, desarrollamos un algoritmo de caminata aleatoria guiada por la física, que no solo reduce significativamente el espacio de búsqueda, sino que ofrece una flexibilidad notable para lograr un equilibrio práctico entre la carga computacional y la confianza en alcanzar la optimalidad global. A modo de ilustración, el marco propuesto se aplicó a la red de carreteras de Savannah en Georgia. Los resultados de nuestro método GA se alinean bien con los de investigaciones exhaustivas, pero con un tiempo computacional significativamente reducido. Al aprovechar la teoría de la información y maximizar la ganancia de información en un espacio vectorial de baja dimensión, el marco propuesto permite un cálculo paralelo y escalable y ofrece un potencial considerable en la planificación estratégica y el despliegue de varios sensores para redes de carreteras expansivas y del mundo real.