Este estudio presenta un enfoque centrado en los datos mejorado para la predicción de la demanda de agua a corto plazo utilizando series temporales univariantes de los niveles de los embalses de agua. El conjunto de datos comprende grabaciones de niveles de agua de 21 embalses en el este de Tesalónica, recopiladas durante 15 meses a través de un sistema SCADA proporcionado por la empresa de agua EYATH S.A. La metodología implica preprocesamiento de datos, detección de anomalías, imputación de datos y la aplicación de modelos predictivos. Se emplean técnicas como el método del rango intercuartílico y la desviación estándar móvil para identificar y manejar anomalías. Los valores faltantes se imputan utilizando redes LSTM optimizadas a través del marco Optuna. Este estudio enfatiza un enfoque centrado en los datos en el aprendizaje profundo, centrándose en mejorar la calidad de los datos antes de la aplicación del modelo, lo que ha demostrado mejorar la precisión de las predicciones. Esta estrategia es crucial, especialmente en regiones donde los embalses son la principal fuente de agua y la distribución de la demanda no puede determinarse únicamente por las lecturas de los medidores de flujo. Se utilizan modelos LSTM, Random Forest Regressor, ARIMA y SARIMA para extraer y analizar las tendencias de los niveles de agua, lo que permite predicciones de demanda de agua futura más precisas. Los resultados indican que combinar técnicas de aprendizaje profundo con modelos estadísticos tradicionales mejora significativamente la precisión y fiabilidad de las predicciones de demanda de agua, proporcionando un marco robusto para optimizar la gestión de recursos hídricos.