La previsión de la demanda de transporte es una actividad esencial para los operadores logísticos y los transportistas. Aprovecha las decisiones operativas comerciales, la infraestructura, la gestión y las actividades de planificación de recursos. Desde 2015, ha habido un aumento en el uso de modelos de aprendizaje profundo en este ámbito. Sin embargo, existe una brecha en los trabajos que comparan estadísticas tradicionales y modelos de aprendizaje profundo para las previsiones de demanda de transporte. Este trabajo tuvo como objetivo realizar un estudio de caso de previsiones de demanda de transporte agregadas en 54 centros de distribución de un transportista brasileño. Se aplicaron métodos de simulación computacional y estudio de caso, explorando las características de los conjuntos de datos a través de promedios móviles integrados autorregresivos (ARIMA) y sus variaciones, además de una red neuronal profunda, memoria a largo y corto plazo, conocida como LSTM. Se exploraron ocho escenarios considerando diferentes métodos de preprocesamiento de datos y evaluando cómo los valores atípicos, las divisiones de conjuntos de datos de entrenamiento y prueba durante la validación cruzada, y los hiperparámetros relevantes de cada modelo pueden afectar la previsión de la demanda. Se observó que las redes de memoria a largo y corto plazo superaron a los métodos estadísticos en el noventa y cuatro por ciento de las unidades de despacho en los escenarios evaluados, mientras que el promedio móvil integrado autorregresivo modeló el cinco por ciento restante. Este trabajo encontró que la previsión de la demanda de transporte puede abordar problemas prácticos en las cadenas de suministro, especialmente en la gestión de planificación de recursos.