La disponibilidad de espacios de estacionamiento en un futuro cercano es informativa para la formulación de políticas relacionadas con el estacionamiento en áreas urbanas. Muchos estudios han contribuido a la predicción espacio-temporal de la ocupación de estacionamientos considerando la cercanía entre los mismos. Sin embargo, sus similitudes en propiedades siguen siendo poco específicas. Por ejemplo, los estacionamientos con funciones similares, aunque no estén adyacentes, suelen tener patrones de cambios de ocupación similares, lo que también puede ayudar en la predicción. Para llenar esta brecha, este documento propone un enfoque basado en múltiples vistas y atención para la predicción de ocupación de estacionamientos espacio-temporales, es decir, una red de convolución de grafos híbrida con memoria a corto y largo plazo y atención a patrones temporales (HGLT). Además de la vista local de la adyacencia, construimos una matriz de similitud utilizando el coeficiente de correlación de Pearson entre los estacionamientos como vista global. Luego, diseñamos una red neuronal integrada que se enfoca en la estructura del grafo y el patrón temporal para asignar pesos adecuados a las diferentes características espaciales en ambas vistas. Evaluaciones exhaustivas en un conjunto de datos del mundo real muestran que HGLT reduce el error de predicción en aproximadamente un 30.14% en promedio en comparación con otros modelos de vanguardia. Además, se demuestra que la vista global es efectiva en la predicción de la ocupación de estacionamientos.