Las predicciones precisas de ocupación de estacionamiento son vitales para la navegación y los sistemas de transporte autónomos. Este estudio presenta un modelo de aprendizaje profundo, AGCRU, que integra Redes Convolucionales Gráficas Adaptativas (GCNs) con Unidades Recurrentes con Compuertas (GRUs) para predecir la ocupación de estacionamiento en la calle. Al aprovechar datos del mundo real de Melbourne, el modelo propuesto utiliza sensores de estacionamiento en la calle para capturar tanto la dinámica temporal como espacial de los comportamientos de estacionamiento. El modelo AGCRU se mejora con la inclusión de Puntos de Interés (POIs) y datos de vivienda para refinar su precisión predictiva basada en relaciones espaciales y hábitos de estacionamiento. Notablemente, el modelo demuestra un error absoluto medio (MAE) de 0.0156 a los 15 minutos, 0.0330 a los 30 minutos y 0.0558 a los 60 minutos; los valores de error cuadrático medio (RMSE) son 0.0244, 0.0665 y 0.1003 para estos intervalos, respectivamente. El error porcentual absoluto medio (MAPE) para estos intervalos es del 1.5561%, 3.3071% y 5.5810%. Estas métricas, considerablemente más bajas que las de los modelos tradicionales y competidores, indican la alta eficiencia y precisión del modelo AGCRU en un entorno urbano. Esto demuestra que el modelo es una herramienta para mejorar la gestión del estacionamiento urbano y las estrategias de planificación.