En tiempos modernos, las personas utilizan predominantemente vehículos personales como medio de transporte, y, a medida que esta tendencia se ha desarrollado, han surgido servicios que permiten a los consumidores alquilar vehículos en lugar de comprar los suyos propios. Estos servicios se han convertido en una industria, y la demanda de predecir los precios de alquiler ha surgido con el número de consumidores. Este estudio aborda el desafío de predecir con precisión los precios de alquiler utilizando big data con numerosas características, y presenta los experimentos realizados y los resultados obtenidos aplicando varios algoritmos de aprendizaje automático (ML) para mejorar la precisión de la predicción. Nuestro experimento se realizó en dos partes: pronóstico de un paso y pronóstico de múltiples pasos. En el experimento de pronóstico de un paso, empleamos regresión de bosque aleatorio (RFR), perceptrón multicapa (MLP), red neuronal convolucional 1D (1D-CNN), memoria a corto plazo de largo plazo (LSTM) y el modelo de media móvil autorregresiva integrada (ARIMA) para predecir los precios de alquiler de autos y comparamos los resultados de cada modelo. En el experimento de pronóstico de múltiples pasos, se predijeron los precios de alquiler después de 7, 14, 21 y 30 días utilizando los algoritmos aplicados en el pronóstico de un paso. El rendimiento de la predicción se mejoró aplicando la optimización bayesiana hiperbanda. Los resultados experimentales demuestran que los modelos LSTM y ARIMA fueron efectivos en predecir los precios de alquiler de autos. Con base en estos resultados, se podría proporcionar información útil tanto a las empresas de alquiler de autos como a los consumidores.