Los servicios de uso compartido de automóviles de libre flotación (FFCS) son una alternativa flexible a la propiedad de un automóvil. Estos servicios de transporte muestran un uso altamente dinámico tanto en diferentes horas del día como en diferentes áreas de la ciudad. En este trabajo, estudiamos el problema de predecir los patrones de demanda de FFCS, un problema de gran importancia para la provisión adecuada del servicio. Abordamos tanto la predicción de la demanda (i) en el tiempo como (ii) en el espacio. Nos basamos en meses de viajes reales de FFCS en Vancouver, que constituyen nuestra verdad fundamental. Enriquecemos estos datos con información socio-demográfica detallada obtenida de grandes repositorios de datos abiertos para predecir los patrones de uso. Nuestro objetivo es ofrecer una comparación exhaustiva de varios algoritmos de aprendizaje automático en términos de precisión y facilidad de entrenamiento, y evaluar la efectividad de los enfoques actuales de vanguardia para abordar el problema de predicción. Nuestros resultados muestran que es posible predecir el uso futuro con errores relativos de hasta el 10%, mientras que la predicción espacial puede estimarse con errores relativos de alrededor del 40%. Nuestro estudio también descubre las características socio-demográficas que se correlacionan más fuertemente con el uso de FFCS, proporcionando ideas interesantes para los proveedores interesados en ofrecer servicios en nuevas regiones.