Muchas ciudades alemanas, municipios y asociaciones de transporte están expandiendo sus sistemas de bicicletas compartidas (BSS) para ofrecer a los ciudadanos un medio de transporte rentable y respetuoso con el medio ambiente, y una alternativa al transporte motorizado privado (PMT). Sin embargo, los operadores se enfrentan al desafío de generar análisis predictivos de alta calidad y pronósticos de series temporales. En particular, la predicción de la demanda es un componente clave para fomentar decisiones basadas en datos. Para abordar este problema, se ha desarrollado un Modelo de Componentes No Observadas (UCM) para predecir los alquileres mensuales de un BSS, donde se emplea como ejemplo el BSS basado en estaciones VRNnextbike, que incluye más de 2000 bicicletas, 297 estaciones y 21 municipios. El modelo descompone la serie temporal en componentes de tendencia, estacionales, cíclicos, autorregresivos e irregulares para modelado estadístico. Además, el modelo incluye factores exógenos como el clima, el comportamiento del usuario (por ejemplo, distancia recorrida), vacaciones escolares y covariables relevantes de COVID-19 como efectos independientes para calcular pronósticos basados en escenarios. Se puede demostrar que el UCM calcula pronósticos razonablemente precisos y supera a modelos clásicos de series temporales como ARIMA(X) o SARIMA(X). Se observaron mejoras en la calidad del modelo en términos de AIC/BIC (2.5% a 22%) y una reducción en las métricas de error del 15% al 45% dependiendo del modelo considerado.