Este trabajo propone un modelo en cascada que incorpora Long-Short-Term Memory (LSTM) y Multi-Layer Perceptron (MLP), que ofrece un modelo más fiable para predecir la demanda de agua a corto plazo (por hora) y en un horizonte medio (semana). El modelo MLP integra la demanda previamente pronosticada con variables exógenas, funcionando como un filtro para mejorar la precisión de la estimación de LSTM. El modelo LSTM estima, utilizando un enfoque univariado, la predicción por hora de la demanda de agua para todo el conjunto de datos disponible y el flujo mínimo nocturno. El algoritmo considera varios tamaños de series temporales para cada DMA y predice los valores de demanda de agua para cada hora a lo largo de la semana. Después de haber pronosticado todos los pasos de tiempo con LSTM, se puede implementar un proceso en línea virtual para mejorar la calidad de la predicción.