La predicción de la demanda para la entrega de comida bajo demanda (ODFD) es de gran importancia para la operación y la utilización de recursos de transporte de las plataformas ODFD. Este artículo aborda la predicción de la demanda ODFD a corto plazo utilizando una arquitectura de aprendizaje profundo de extremo a extremo. El problema se formula como una predicción espacio-temporal. El modelo propuesto está compuesto por unidades de memoria a largo y corto plazo convolucional (ConvLSTM) y una red neuronal convolucional (CNN) con estructura de codificador-decodificador. Específicamente, las redes de memoria a largo y corto plazo (LSTM) son un tipo de red neuronal recurrente capaz de aprender la dependencia del orden en problemas de predicción de secuencias. La unidad convolucional es responsable de capturar atributos espaciales, mientras que la parte LSTM se adopta para aprender atributos temporales. Además, se diseña e integra un modelo atencional para mejorar el rendimiento de la predicción al abordar la variación espacial en la demanda. El enfoque propuesto se compara con varios modelos de referencia utilizando un conjunto de datos históricos de ODFD de Shenzhen, China. Los resultados indican que el modelo propuesto obtiene la mayor precisión de predicción al capturar tanto las correlaciones espaciales como temporales con información de atención que se centra en diferentes partes de la serie de entrada.