آب به عنوان یک سرمایه ملی و کالای اقتصادی- اجتماعی مهم در هر کشور و منطقه محسوب شده و قابل جایگزینی با هیچ کدام از منابع طبیعی و مصنوعی دیگر نبوده و در طول تاریخ نیز عامل مهمی در شکل دادن به روش زندگی بشر و توسعه تکنولوژی بوده است. در کشور ایران نیز با توجه به موقعیت جغرافیایی اکثر مناطق آن که از نظر اقلیمی جز مناطق خشک و نیمه خشک بوده و نیز متوسط نزولات جوی 250 میلی متر در سال، آب یکی از منابع محدود و مهم محسوب گردیده، بطوری که مدیریت مصرف این منبع از اهمیت ویژه ای برخوردار می گردد و در این میان از جمله شهرهایی که نیاز به برنامه ریزی جهت مدیریت بهینه مصرف آب دارد شهر قم می باشد که با توجه به داشتن آب و هوایی گرم و خشک در زمره شهرهایی می باشد که با مشکل کمبود منابع آبی و در نتیجه مدیریت بحران آب مواجه خواهد شد و مساله پیش بینی مصرف این منبع اهمیت خاصی پیدا می کند. در این تحقیق بعد از بررسی و تعریف مدل های مختلف پیش بینی و مرور ادبیات انجام گرفته در خصوص پیش بینی تقاضای آب با هر یک از روش های مطرح شده پیش بینی به توصیف شبکه عصبی پرداخته و در نهایت به مدل سازی مصرف روزانه آب با شبکه عصبی پرداخته می شود. جهت مدل سازی با این شبکه، ابتدا داده های جمع آوری شده هر یک از سال ها بدلیل متفاوت بودن مصرف آب در روزهای مختلف هفته و هفته های مختلف سال بطور جداگانه با تکنیک k-means خوشه بندی شده و نتیجه این خوشه بندی، برای هر سال 3 خوشه می باشد که با شاخص dunn و تست های انجام شده، این تعداد بهترین انتخاب می باشد و در نهایت برای کل سال ها، بدلیل اشتراک بیش از 90 درصد هر یک از 3 خوشه سال های مختلف با یکدیگر، 3 خوشه انتخاب گردید. در مرحله بعد مدل شبکه عصبی پیشخوراند با یک لایه مخفی و دو لایه مخفی با ورودی های مصرف روز قبل و روز مشابه هفته قبل و نیز دمای ماکزیمم روز، روز قبل و روز مشابه هفته قبل طراحی و تست شد و در نهایت برای هر خوشه بهترین مدل انتخاب و با نتیجه مدل شبکه عصبی برازش تعمیم یافته و رگرسیون خطی مقایسه گردید که نتیجه مقایسه، نتایج دقیق تر مدل پیشنهادی شبکه عصبی پیشخوراند یک لایه مخفی در هر خوشه می باشد.