El reposicionamiento óptimo en sistemas de bicicletas compartidas se basa en la estimación de la demanda esperada en las estaciones. Si esa predicción falla, la solución de optimización no será precisa. Por esa razón es recomendable desarrollar métodos de aprendizaje automático que utilicen datos históricos como insumos y devuelvan la predicción de la demanda con suficiente precisión. En este trabajo se comparan tres metodologías de aprendizaje automático con el fin de obtener predicciones de demanda de alquiler y retorno de bicicletas en estaciones. Los tres métodos han sido comparados en un caso de estudio basado en el sistema de bicicletas compartidas de la ciudad de Nueva York.