Estudios previos han demostrado que los modelos de computación suave son excelentes modelos predictivos para problemas de gestión de la demanda. Sin embargo, sus aplicaciones en la resolución de problemas de pronóstico de demanda de agua han sido escasamente reportadas. En este estudio, se utilizaron redes neuronales artificiales (ANN) de avance y una máquina de soporte vectorial (SVM) para pronosticar el consumo de agua. Se entrenaron dos modelos de ANN utilizando diferentes algoritmos: evolución diferencial (DE) y gradiente conjugado (CG). Se investigó el rendimiento de estos modelos de computación suave con conjuntos de datos del mundo real de la Ciudad de Ekurhuleni, Sudáfrica, y se comparó con el suavizado exponencial (ES) y la regresión lineal múltiple (MLR) utilizados convencionalmente. Los resultados obtenidos mostraron que el modelo de ANN entrenado con DE tuvo un mejor rendimiento que el ANN entrenado con CG y otros modelos predictivos (SVM, ES y MLR). Esta observación demuestra aún más la robustez de las técnicas de computación evolutiva entre las técnicas de computación suave.