Modeliranje hidroloških sustava se općenito temelji na vremenskim serijama, a umjesto ranije korištenih linearnih statističkih modela, u posljednje vrijeme se sve više koriste umjetne neuronske mreže. Kod modela za predviđanje hidrološkog dotoka, pregledom dostupne literature uočen je problem kašnjenja odziva modela za stvarnim događajem, koje značajno umanjuje korisnost predviđanja modela. Isti problem potvrđen je i kod modela formiranog klasičnim metodama za sliv rijeke Cetine. Problem pravovremenog predviđanja u ovoj disertaciji se uspješno rješava uvođenjem varijable „učestalosti prognozirane oborine“ i podešavanjem koraka računanja. Točnost predviđanja se unaprjeđuje formiranjem optimiziranog adaptivnog neuronskog modela (OANM-a) koji se temelji na podjeli modela na specijalizirane podmodele, koji predstavljaju posebno trenirane mreže za predviđanje u određeno doba godine. Svaki podmodel formiran je prema načelima o sustavnom pristupu formiranja neuronskog modela za hidrološka predviđanja. To znači da su kroz posebno formirane eksperimente određene optimalne ulazne varijable, broj neurona skrivenog sloja, algoritam za treniranje mreže i funkcija cilja, a određen je i skup optimalnih mjera za procjenu modela. Za formiranje svih modela korištena je statička unaprijedna neuronska mreža, višeslojni perceptron, zbog svog dokazanog svojstva mogućnosti aproksimacije nelinearne funkcije. Za sva istraživanja, kao i konačno formiranje OANM-a, korišten je program MATLAB, a podaci su osim u Matlab-u obrađivani i u Microsoft Excel-u. Rezultati simulacije potvrđuju uspješnost predložene metode u rješavanju problema pravovremenog i pouzdanog predviđanja hidrološkog dotjecanja, što znači da predložena metoda uspješno eliminira kašnjenje predviđanja modela.