Varias empresas de alquiler de vehículos de movilidad han surgido debido a la creciente preferencia por la movilidad compartida como opción de tránsito a corta distancia. Estos vehículos de movilidad compartida deben ubicarse estratégicamente en diferentes lugares para permitir un fácil acceso a los clientes. Sin embargo, sin conocimiento previo de la demanda de alquiler, resulta desafiante para las empresas responder rápidamente. En este estudio, analizamos los factores que afectan la demanda de alquiler de vehículos de movilidad eléctrica compartida utilizando datos reales de la empresa EV PASS y pronosticamos la demanda de alquiler para garantizar que los vehículos se distribuyeran de manera efectiva, permitiendo a los clientes recibir un servicio oportuno. Comparamos el rendimiento de modelos de aprendizaje automático como el regresor de Extra Trees, el regresor de CatBoost y los modelos de LightGBM (Light Gradient Boosting Machine) en la predicción de la demanda de vehículos de movilidad compartida. Además, exploramos el uso de una técnica de conjunto llamada regresor de votación para reducir errores con un puntaje R2 de 0.7629, superando a todos los modelos individuales. El análisis reveló que factores como la humedad, la precipitación y la radiación solar tienen una influencia significativa en la demanda de alquiler. Basándonos en los hallazgos de este estudio, las empresas pueden gestionar eficazmente equipos y personal, ofreciendo mejores servicios de alquiler de movilidad eléctrica compartida, lo que lleva a una mayor satisfacción del cliente.