Con el rápido avance de las técnicas de aprendizaje profundo, los modelos de predicción de inundaciones basados en aprendizaje profundo han llamado la atención significativamente. Sin embargo, para la predicción a corto plazo en cuencas fluviales pequeñas y medianas, los modelos suelen depender de datos hidrológicos que abarcan desde las últimas horas hasta un día, utilizando una ventana de entrada de longitud fija. Esta entrada limita la adaptabilidad de los modelos a diversos eventos de lluvia y restringe su capacidad para comprender patrones temporales históricos. Para abordar la subutilización de la información histórica por parte de los modelos existentes, presentamos un Método de Predicción de Inundaciones a Corto Plazo Mejorado por Pre-entrenamiento (PE-SFPM) para enriquecer la comprensión temporal del modelo sin necesidad de realizar cambios en el tamaño de la ventana de entrada. En la etapa de pre-entrenamiento, el modelo utiliza una estrategia de enmascaramiento y predicción aleatoria para aprender características de segmentos, capturando una tendencia evolutiva más completa de las inundaciones históricas. En la etapa de pronóstico de flujo, se capturan y fusionan características temporales y espaciales utilizando la atención temporal, la atención espacial y la fusión en puerta. Las características se mejoran aún más integrando características de segmentos mediante una red neuronal feed-forward. Los resultados experimentales demuestran que el modelo PE-SFPM propuesto logra un excelente rendimiento en tareas de predicción de inundaciones a corto plazo.