Analizar meticulosamente todas las condiciones contemporáneas y las opciones disponibles antes de tomar decisiones operativas sobre la gestión de los recursos hídricos urbanos es un paso necesario debido a la escasez de agua. A menudo, este análisis es desafiante debido a la incertidumbre respecto a los flujos de entrada al sistema. El enfoque más común para tener en cuenta esta incertidumbre es combinar la teoría de decisiones bayesianas con el método de optimización de programación dinámica. Sin embargo, la programación dinámica está plagada de la maldición de la dimensionalidad, es decir, la complejidad del método es proporcional al número de estados posibles del sistema discretizados elevado a la potencia del número de embalses. Además, la estadística clásica no representa de manera consistente la estructura estocástica de los flujos de entrada (ver persistencia). Para evitar estos problemas, este estudio empleará un modelo estocástico apropiado para producir series temporales sintéticas con persistencia a largo plazo, optimizará el sistema utilizando un modelado de programación de flujo de red y utilizará los resultados de la optimización para entrenar una red neuronal de avance (FFN). Esta FFN entrenada por sí sola puede servir como una herramienta de apoyo a la decisión que describe no solo las liberaciones de los embalses, sino también cómo operar todo el sistema de suministro de agua. Esta metodología se aplica en una representación simplificada del sistema de suministro de agua de Atenas, y los resultados sugieren que la FFN es capaz de operar con éxito el sistema de acuerdo con una política operativa predefinida.