O compartilhamento de veículos é alternativa para a mobilidade urbana que vem sendo largamente adotada. Porém, essa abordagem está sujeita a problemas, como desbalanceamento da frota ao longo do dia, por conta de demandas variadas em grandes centros urbanos. Neste trabalho aplicamos duas técnicas de séries temporais, o LSTM e o Prophet, para inferir a demanda de três serviços reais de compartilhamento de veículos. Além dos dados históricos, atributos climáticos também foram considerados numa das aplicações do LSTM. Como resultado, foi observado que a adição de dados meteorológicos melhorou o desempenho do modelo: um MAE (Erro Absoluto Médio) médio de aproximadamente 6,01% é obtido com os dados de demanda, enquanto um MAE de 5,9% é observado quando adiciona-se os dados climáticos. Também é possível notar que o desempenho do LSTM é melhor do que o obtido pelo Prophet (MAE médio igual a 10,4%) para as bases de dados adotadas aqui e considerando apenas a demanda dos serviços.