Mejorar la infraestructura de vehículos eléctricos mediante la previsión de la disponibilidad de estaciones de carga puede aumentar la atractividad de los vehículos eléctricos. El sector del transporte juega un papel crucial en la lucha contra el cambio climático. La mayoría de los algoritmos de predicción disponibles logran una precisión deficiente o predicen la disponibilidad en ciertos momentos en el futuro. Ambas situaciones no son ideales y pueden obstaculizar la aplicabilidad del modelo a situaciones del mundo real. Este documento proporciona un nuevo modelo para estimar la duración de carga de los eventos de carga en tiempo real, que puede utilizarse para estimar el tiempo de espera de los usuarios en estaciones de carga completamente ocupadas. Primero, la predicción se realiza utilizando el regresor de bosque aleatorio (RF), y luego la predicción se mejora utilizando los hallazgos del modelo RF y la información en tiempo real de los eventos de carga que están ocurriendo actualmente. Comparamos el método propuesto con el modelo RF, que es el modelo fundamental del enfoque, y el modelo de predicción de mejor rendimiento de la máquina de refuerzo de gradiente ligero (LightGBM). Aquí, utilizamos información histórica de eventos de carga recopilada de 2079 estaciones de carga a través de los 4602 conectores de carga rápida de Alemania. Para reducir el sesgo de datos, simulamos específicamente solicitudes de predicción para el 30% de los eventos de carga con diversas características que no fueron entrenadas con el modelo. En general, el método sugerido tiene un mejor rendimiento que tanto el RF como el LightGBM. Además, la estructura del modelo es adaptable y puede incorporar información en tiempo real sobre eventos de carga.