短期需水量预测是为供水系统制定最优方案的重要依据。基于深度学习的预测方法能够提供较为准确的解决方案。然而,深度学习在短期预测方面的应用仍面临一些困难,本文主要解决三个问题:1)一步和多步时间序列预测模型的空间复杂度问题;2)极值点的高预测误差问题;3)神经网络超参数的优化问题。本研究基于K均值聚类方法和门控循环单元（GRU）开发了一种复杂度相对较低的深度神经模型,简称DCGRU,此模型仅基于历史数据即可预测需水量。K均值聚类方法用于将历史数据分类以创建额外的特征,从而可以使用常规全连接层来近似不同日期数据之间的关系,以此来降低了空间复杂度。将DCGRU模型与其他模型进行了比较,结果表明,与文献研究结果相比,该方法将模型的复杂性降低了6倍。另外,受比例积分微分（PID）控制技术启发,提出了一种有系统参数的增量可以忽略不计的方法,以提高神经网络模型用于多步预测周期时间序列信息的性能。将所提出的增强器应用于文献中的一个DL模型;它是GRUN模型,用于多步需水量预测。该增强器被用于替代神经网络技术,以减轻在多步预测场景中的累积误差。比较仿真结果证明了所提方法在空间复杂度和预测精度方面的有效性。本研究采用中国常州市两个不同水厂的实际数据对模型进行训练和验证。为解决第二个问题,本研究提出了一种有效的数据注入方法来减小极值点的误差。据我们所知,这是第一个考虑与极值点相关的问题的研究。它是基于在实际数据中插入虚拟数据,以缓解虚拟数据周围的非线性。利用DCGRU模型和上述相同的需水量数据进行了实验验证。结果表明,数据注入方法可以有效提高精度,但也增加了训练时间。最后,本研究引入了一种用于模拟退火（SA）)优化算法的新的强大并行化技术,并用于优化DCGRU模型的超参数。利用一个简单的函数证明了并行化模拟退火算法的合理性,并与序列模拟退火算法进行了比较。对比结果证实了并行化模拟退火算法在节省时间和准确性方面的优势,它可以节省序列模拟退火算法所需的高达80%的时间。