La predicción inmediata de la precipitación es una de las principales tareas de la predicción del tiempo que tiene como objetivo predecir eventos de lluvia con precisión, incluso en regiones con poca lluvia. Se ha observado que pocos estudios se han dedicado a predecir imágenes futuras de eco de radar en un tiempo razonable utilizando el enfoque de aprendizaje profundo. En este documento, proponemos un enfoque novedoso, RainPredRNN, que es la combinación del modelo de segmentación UNet y el modelo de aprendizaje profundo PredRNN_v2 para la predicción inmediata de la precipitación con imágenes de eco de radar meteorológico. Al aprovechar las capacidades de la ruta de contracción-expansión del modelo UNet, se reduce significativamente el número de operaciones calculadas del modelo RainPredRNN. Este resultado ofrece como consecuencia el beneficio de reducir el tiempo de procesamiento del modelo en general manteniendo errores razonables en las imágenes predichas. Para validar el modelo propuesto, realizamos experimentos en campos de reflectividad reales recopilados de la estación de radar meteorológico Phadin, ubicada en la provincia de Dien Bien en Vietnam. Algunas métricas de calidad creíbles, como el error absoluto medio (MAE), el índice de similitud estructural (SSIM) y el índice de éxito crítico (CSI), se utilizaron para analizar el rendimiento del modelo. Se ha certificado que el modelo propuesto ha producido un rendimiento mejorado, aproximadamente 0.43, 0.95 y 0.94 de MAE, SSIM y CSI, respectivamente, con solo el 30% del tiempo de entrenamiento en comparación con otros métodos.