Early and accurate flood forecasting and warning for urban flood risk areas is an essentialfactor to reduce flood damage. This paper presents the urban flood forecasting and warning processto reduce damage in the main flood risk area of South Korea. This process is developed based onthe rainfall-runoff model and deep learning model. A model-driven method was devised to constructthe accurate physical model with combined inland-river and flood control facilities, such aspump stations and underground storages. To calibrate the rainfall-runoff model, data of gaugingstations and pump stations of an urban stream in August 2020 were used, and the model result waspresented as an R2 value of 0.63~0.79. Accurate flood warning criteria of the urban stream wereanalyzed according to the various rainfall scenarios from the model-driven method. As flood forecastingand warning in the urban stream, deep learning models, vanilla ANN, Long Short-TermMemory (LSTM), Stack-LSTM, and Bidirectional LSTM were constructed. Deep learning modelsusing 10-min hydrological time-series data from gauging stations were trained to warn of expectedflood risks based on the water level in the urban stream. A forecasting and warning method thatapplied the bidirectional LSTM showed an R2 value of 0.9 for the water level forecast with 30 minlead time, indicating the possibility of effective flood forecasting and warning. This case study aimsto contribute to the reduction of casualties and flood damage in urban streams and accurate floodwarnings in typical urban flood risk areas of South Korea. The developed urban flood forecastingand warning process can be applied effectively as a non-structural measure to mitigate urban flooddamage and can be extended considering watershed characteristics.