Los servicios de Car Sharing de libre flotación (FFCS) están actualmente disponibles en decenas de ciudades y países distribuidos por todo el mundo. Dependiendo de los hábitos de los ciudadanos, las políticas de servicio y las condiciones de la carretera, los perfiles de uso de los coches son bastante variables y a menudo difíciles de predecir. Incluso dentro de la misma ciudad, diferentes tendencias de uso surgen en distintos distritos y en diferentes franjas horarias y días de la semana. Por lo tanto, modelar la disponibilidad de coches en los sistemas de FFCS es particularmente desafiante. Por estas razones, la comunidad de investigación ha comenzado a investigar la aplicabilidad de modelos de Aprendizaje Automático para analizar los datos de uso de FFCS. Este documento aborda el problema de predecir el nivel a corto plazo de disponibilidad del servicio FFCS a corto plazo. Específicamente, investiga la aplicabilidad de modelos de Aprendizaje Automático para predecir el número de coches disponibles dentro de un área urbana restringida. Busca los contextos espaciales y temporales en los que los modelos de AA no lineales, entrenados en datos de uso pasados, son necesarios para predecir con precisión la disponibilidad de coches. El aprovechamiento de AA ha demostrado ser particularmente efectivo al considerar contextos urbanos altamente dinámicos, donde es probable que el uso del servicio FFCS cambie de forma repentina e inesperada. Para adaptar los modelos predictivos a los datos reales de FFCS, también estudiamos la influencia del algoritmo de AA, el horizonte de predicción y las características del vecindario del área objetivo. Los resultados empíricos nos permiten proporcionar a los gestores del sistema pautas prácticas para configurar y ajustar los modelos de AA.