Este documento presenta un enfoque novedoso basado en datos para mejorar la precisión de pronóstico de series temporales cuando se enfrenta a datos faltantes. Nuestro método propuesto integra una Red de Estado de Eco (ESN) con modelado ARIMA (Media Móvil Integrada Autoregresiva), descomposición de frecuencias y aprendizaje de transferencia en línea. Esta combinación aborda específicamente los desafíos que los datos faltantes introducen en la predicción de series temporales. Al utilizar las fortalezas de cada técnica, nuestro marco ofrece una solución sólida para manejar datos faltantes y lograr una precisión de pronóstico superior en aplicaciones del mundo real. Demostramos la efectividad del modelo propuesto a través de un estudio de caso de predicción de velocidad del viento. En comparación con los métodos existentes, nuestro enfoque logra una mejora significativa en la precisión de predicción, allanando el camino para una toma de decisiones más confiable en las operaciones y gestión de energía eólica.