El monitoreo de la distribución de vehículos en la ciudad es de gran importancia para el control del tráfico urbano. En particular, la información sobre la cantidad de vehículos que entran y salen de una ciudad, o se desplazan entre áreas urbanas, proporciona una valiosa estimación sobre posibles cuellos de botella y congestiones. La posibilidad de predecir tales flujos con anticipación es aún más beneficiosa, permitiendo estrategias de gestión del tráfico oportuno y advertencias de congestión dirigidas. Nuestro trabajo se inserta en el contexto de pronósticos a corto plazo, con el objetivo de predecir cambios rápidos y variaciones repentinas en el volumen de tráfico, más allá de la tendencia general. Además, se dirige simultáneamente a múltiples ubicaciones en la ciudad, brindando un resultado de predicción instantánea que comprende la futura distribución de vehículos en varias ubicaciones urbanas. Específicamente, proponemos un regresor de aprendizaje profundo de múltiples objetivos para predicciones simultáneas de volúmenes de tráfico, en múltiples puntos de entrada y salida entre vecindarios de la ciudad. El experimento se centra en un pronóstico por hora de la cantidad de vehículos que acceden y se desplazan entre los vecindarios de la ciudad de Nueva York a través de los puentes y túneles de la Autoridad de Transporte Metropolitano (MTA). Al aprovechar un proceso de entrenamiento único para todos los puntos de ubicación, y una inferencia instantánea de volumen de un paso para cada ubicación en cada actualización de tiempo, nuestro enfoque de modelado secuencial es capaz de captar variaciones rápidas en la serie temporal y procesar la información colectiva de todos los puntos de entrada y salida, cuyos valores predichos distintos se emiten de una vez. El modelo de múltiples objetivos, basado en capas de red neuronal recurrente de memoria a corto y largo plazo (LSTM), se probó en un conjunto de datos del mundo real, logrando un error de predicción promedio del 7% y demostrando su viabilidad para el pronóstico urbano espacialmente distribuido a corto plazo del tráfico.