El presente documento se centra en el análisis de grandes conjuntos de datos de redes de transporte público, más específicamente, en cómo predecir la demanda de pasajeros en autobuses urbanos. Se proponen una serie de pasos para facilitar la comprensión de la demanda de pasajeros. Primero, dado el gran número de paradas en la red de autobuses, estas se dividen en grupos y luego se ajustan diferentes modelos para un representante de cada uno de los grupos. El objetivo es comparar y combinar las predicciones asociadas con métodos tradicionales, como el suavizado exponencial o ARIMA, con métodos de aprendizaje automático, como máquinas de vectores de soporte o redes neuronales artificiales. Además, las predicciones de las máquinas de vectores de soporte se mejoran al incorporar variables explicativas con estructura temporal y promedios móviles. Finalmente, a través de técnicas de cointegración, los resultados obtenidos para el representante de cada grupo se extrapolan al resto de la serie dentro del mismo grupo. Se presenta un estudio de caso en la ciudad de Salamanca (España) para ilustrar el problema.