El rápido avance de las tecnologías de comunicación e información ha transformado las infraestructuras urbanas en ciudades inteligentes. Los métodos de evaluación tradicionales enfrentan desafíos para capturar las complejas interdependencias y dinámicas temporales inherentes en estos sistemas, poniendo en riesgo la resiliencia urbana. Este estudio tiene como objetivo mejorar la evaluación de criticidad de zonas geográficas dentro de las ciudades inteligentes mediante la introducción de una arquitectura de aprendizaje profundo novedosa. Utilizando Redes Neuronales Convolucionales (CNNs) para la extracción de características espaciales y redes Long Short-Term Memory (LSTM) para el modelado de dependencias temporales, el marco propuesto procesa entradas como el uso total de electricidad, niveles de inundación, población, tasas de pobreza y consumo de energía. El componente CNN construye mapas de características jerárquicas a través de operaciones sucesivas de convolución y agrupación, mientras que el LSTM captura patrones basados en secuencias. Las capas completamente conectadas integran estas características para generar predicciones finales. Implementado en Python utilizando TensorFlow y Keras en un sistema Intel Core i7 con 32 GB de RAM y una GPU NVIDIA GTX 1080 Ti, el modelo demostró un rendimiento superior. Logró un error absoluto medio de 0.042, un error cuadrático medio de 0.067 y un valor R-cuadrado de 0.935, superando a las metodologías existentes en adaptabilidad en tiempo real y eficiencia de recursos.