Actualmente, a causa de la disponibilidad limitada de estacionamiento en la calle y la congestión de tráfico asociada, encontrar un espacio libre donde estacionar se ha convertido en uno de los principales problemas de los conductores. El tráfico causado por los vehículos que buscan un lugar libre para estacionar produce grandes pérdidas de tiempo, combustible y dinero. Es por esto que los sistemas de predicción de estacionamiento han recibido atención creciente en el último tiempo. Una predicción precisa de la cantidad de lugares ocupados es fundamental para administrar de manera óptima los recursos limitados de estacionamiento. Aunque actualmente existen diversas soluciones que proveen información acerca de la disponibilidad del estacionamiento en tiempo real, estas están lejos de resolver el problema. Esto se debe a que si el conductor realiza la consulta al salir de su casa para dirigirse hacia una zona donde hay espacios libres, probablemente al momento de su llegada esa situación ya haya cambiado y la información consultada haya quedado obsoleta. Es por esta causa, que una solución más adecuada para los conductores sería disponer de un sistema que sea capaz de estimar, con una cierta anticipación, la cantidad de lugares disponibles al momento de su llegada. Este trabajo se centra en la creación de un modelo capaz de estimar el nivel de ocupación de estacionamiento como intermedio para determinar qué lugares tienen una mayor probabilidad de encontrarse disponibles en cada cuadra del centro comercial de la ciudad de Tandil, Argentina para un día e intervalo horario específicos. Dicho modelo utiliza datos recolectados de los 95 parquímetros repartidos a lo largo de toda la zona céntrica durante todo el año 2019, provistos por el Municipio de la ciudad de Tandil. Con el fin de lograr predicciones lo más precisas posibles, se evaluó la inclusión en el modelo de información externa correspondiente a los datos climáticos, las vacaciones escolares y las infracciones. Luego, se seleccionó el conjunto óptimo de variables a utilizar, los valores más apropiados para los híper-parámetros y el grupo de datos que se emplearían para el entrenamiento y testeo, se procedió a crear el modelo de predicción. Este modelo está basado en la utilización de redes convolucionales gráficas junto con redes neuronales recurrentes con memoria a corto y largo plazo. A través de diversas evaluaciones experimentales, se comparó el modelo de este trabajo con otros de la literatura. Como resultado se pudo concluir que el modelo propuesto en este trabajo supera a los modelos base por un margen significativo. Asimismo, las evaluaciones realizadas permitieron demostrar que la inclusión de todas las fuentes de información disponibles no necesariamente aportaba más información a la predicción. En este sentido, se determinó que el mejor modelo incluía la información extraída de los parquímetros y los datos climáticos.