Dette projekt prøver at løse problemet med forudsigelse af flodoversvømmelser ved udvikling af en datadrevet metode baseret på Long-Short Term Memory (LSTM) neurale netværk som kan generelt bruges til alle afvandingsområder. Vi har udviklet en metode som vælger blokke til et glidende gennemsnit af nedbøren ved brug af Spearmans rangkorrelationskoefficienten. Vi bruger metoden til at forudsige vandspejlet ved Abelones Plads, Vejle. En Deep Residual LSTM med 8 skjulte lag blev trænet som viste sig at være den bedste model med hensyn til validerings MSE. Vi viser at modellen kan forklarer op til 67\% af variansen af vandstandsændringen med en forudsigelsestid på 3 timer. Desuden viser vi at alle situationer, hvor modellen fejler at være bedre end forsinkelsesmodellen som bruges som sammenligningsgrundlag, kan være forklaret at være forårsaget af rumligt heterogen nedbør som er ikke målt korrekt af regnmåleren som bruges af modellen. Vi konkluderer at LSTM modeller kan være bruges til forudsigelse af flodoversvømmelser.