La previsión de la demanda es una necesidad estratégica para los fabricantes de vehículos, ya que influye directamente en los programas de producción, la gestión de operaciones y la asignación de recursos. A medida que los mercados se vuelven más volátiles, los modelos matemáticos avanzados, en particular aquellos que aprovechan las técnicas de aprendizaje automático, se han vuelto indispensables. Este estudio presenta un análisis comparativo exhaustivo de modelos paramétricos y no paramétricos para la previsión de series temporales de la demanda de vehículos en Brasil. Al integrar indicadores económicos clave, como el crecimiento del PIB, las tasas de desempleo y las tasas de interés, exploramos cómo estos modelos pueden predecir con mayor precisión la demanda del mercado y adaptarse a las variables económicas externas. Mediante extensas simulaciones computacionales, evaluamos la precisión, la robustez y la aplicabilidad práctica de estos modelos. Nuestros hallazgos proporcionan información crucial sobre las fortalezas y limitaciones de cada enfoque de modelado, ofreciendo una valiosa guía para mejorar las estrategias de previsión de la demanda. Esta investigación no solo confirma la eficacia de los modelos de aprendizaje para mejorar la planificación de la demanda, sino que también sienta una base sólida para futuros avances teóricos y prácticos en diversos sectores económicos.