El vapor de agua atmosférico es una fuente esencial de información que predice el cambio climático global, la lluvia y el clima de naturaleza desastrosa. También es una fuente vital de error para los sistemas de observación de la Tierra, como el sistema global de navegación por satélite (GNSS). El Retraso Troposférico Zenith (ZTD) juega un papel crucial en aplicaciones como la inversión de vapor de agua atmosférico y el posicionamiento de precisión GNSS. El ZTD tiene características específicas de variación temporal y espacial. La modelización en tiempo real del ZTD se utiliza ampliamente en la sociedad moderna. El modelo convencional de red neuronal de retropropagación (BP) tiene problemas, como la necesidad de modelos óptimos locales y de memoria a corto y largo plazo (LSTM), que ayudan al depender de datos históricos largos. Se propuso un modelo de predicción de combinación ZTD de estación única/regional con alta precisión, eficiencia y adecuación para la modelización en línea. El modelo, llamado K-RBF, se basa en los algoritmos de aprendizaje automático de la red neuronal de función de base radial (RBF), asistido por el algoritmo de agrupamiento K-means (K-RBF) y LSTM de actualización de parámetros en tiempo real (R-LSTM). Se adopta un mecanismo de actualización en línea para mejorar la eficiencia de modelización del LSTM tradicional. Tomando los datos de ZTD (intervalo de muestreo de 5 minutos) de 13 estaciones del servicio GNSS internacional en el sur de California en los Estados Unidos durante 90 días consecutivos, se utilizaron K-RBF, R-LSTM y K-RBF para regiones, estaciones individuales y una combinación de modelos de predicción ZTD respecto a la investigación, respectivamente. Los resultados de predicción en tiempo real/casi en tiempo real muestran que el error cuadrático medio (RMSE), el error absoluto medio (MAE), el coeficiente de determinación (R2) y el tiempo de consumo de entrenamiento (TTC) del modelo K-RBF con datos de 13 estaciones son 8.35 mm, 6.89 mm, 0.61 y 4.78 s, respectivamente. La precisión y eficiencia del modelo K-RBF se mejoran en comparación con las del modelo BP convencional. El RMSE, MAE, R2 y TTC del modelo R-LSTM con datos de la estación WHC1 son 6.74 mm, 5.92 mm, 0.98 y 0.18 s, lo que mejora en un 67.43%, 66.42%, 63.33% y 97.70% en comparación con los del modelo LSTM. Los experimentos de comparación de diferentes datos de observación histórica en 24 grupos muestran que el modelo de actualización en tiempo real tiene una fuerte aplicabilidad y precisión para la predicción temporal de datos de muestras pequeñas. El RMSE y el MAE de K-RBF con datos de 13 estaciones son 4.37 mm y 3.64 mm, lo que mejora en un 47.70% y 47.20% en comparación con K-RBF y en un 28.48% y 31.29% en comparación con R-LSTM, respectivamente. También se consideran los cambios en las características temporoespaciales del ZTD en el modelo de combinación.