Este artículo presenta un análisis bibliométrico y una referencia experimental de ML y aprendizaje automático de máquinas (AutoML) como enfoque adecuado para abordar automáticamente el MSP en CSP. En primer lugar, se consultaron 2318 referencias bibliográficas para identificar autores relevantes, temas de tendencia, evolución de las palabras clave y los métodos de ML más utilizados en estudios de casos relacionados, lo que reveló una oportunidad para el uso de AutoML en el campo del transporte. A continuación, comparamos los métodos AutoML (AutoGluon, Auto-sklearn, TPOT) y ML (CatBoost, Decision Tree, Extra Trees, Gradient Boosting, Gaussian Naive Bayes, Light Gradient Boosting Machine, Random Forest) en tres casos de estudio utilizando portales de datos abiertos pertenecientes a las ciudades de Medellín, Bogotá y Bucaramanga en Colombia. Nuestra experimentación revela que AutoGluon y CatBoost son enfoques ML competitivos y robustos para tratar varios problemas CSP. Además, concluimos que AutoML de propósito general soporta efectivamente el MSP en CSP sin necesidad de desarrollar métodos AutoML enfocados en el dominio para este problema de aprendizaje supervisado. Finalmente, basándonos en los resultados obtenidos, introducimos retos y oportunidades de investigación que la comunidad debería explorar para mejorar las contribuciones que ML y AutoML pueden aportar a CSP y otras áreas de transporte.