La congestión del tráfico es uno de los problemas de transporte urbano más notables, ya que provoca un alto consumo de energía y contaminación del aire. La falta de espacios de estacionamiento gratuitos es una de las principales razones de los atascos de tráfico. La congestión y el estacionamiento están interrelacionados porque la búsqueda de un lugar de estacionamiento gratuito crea retrasos adicionales y aumenta la circulación local. En el centro de las grandes ciudades, el 10% de la circulación del tráfico se debe a la búsqueda, ya que los conductores pasan casi 20 minutos buscando un lugar de estacionamiento gratuito. Por lo tanto, es necesario desarrollar un sistema de predicción de disponibilidad de espacios de estacionamiento que pueda informar a los conductores de antemano sobre la ocupación de los estacionamientos por ubicación, día y hora. En este documento, proponemos un marco basado en una red neuronal de memoria a largo plazo de corto plazo profunda para predecir la disponibilidad de espacios de estacionamiento con la integración de Internet de las Cosas (IoT), tecnología en la nube y redes de sensores. Utilizamos el conjunto de datos de sensores de estacionamiento de Birmingham para evaluar el rendimiento de las redes neuronales de memoria a largo plazo de corto plazo profundo. Se realizan tres tipos de experimentos para predecir la disponibilidad de espacios de estacionamiento gratuitos basados en la ubicación, los días de la semana y las horas laborales de un día. Los resultados experimentales muestran que el modelo propuesto supera a los modelos de predicción de vanguardia.