El reservorio computacional ha mostrado resultados prometedores en la predicción de series temporales caóticas. Sin embargo, los principales desafíos de las predicciones de series temporales están asociados con la reducción de costos computacionales y el aumento del horizonte de predicción. En este sentido, proponemos la optimización de las Redes de Estado del Eco (ESN), donde el principal objetivo es aumentar el horizonte de predicción utilizando un menor número de neuronas en comparación con modelos de vanguardia. Además, mostramos que la aplicación de la técnica de decimación nos permite emular un aumento en la predicción de hasta 10,000 pasos adelante. La optimización se realiza aplicando la optimización por enjambre de partículas y considerando dos sistemas caóticos como estudios de caso, a saber, la neurona caótica Hindmarsh-Rose con un comportamiento dinámico lento y el conocido sistema de Lorenz. Los resultados muestran que aunque trabajos similares usaron de 200 a 5000 neuronas en el reservorio de la ESN para predecir de 120 a 700 pasos adelante, nuestra ESN optimizada, incluida la decimación, utilizó 100 neuronas en el reservorio, con la capacidad de predecir hasta 10,000 pasos adelante. La principal conclusión es que aseguramos horizontes de predicción más grandes en comparación con trabajos recientes, logrando una mejora de más de un orden de magnitud, y los costos computacionales se redujeron considerablemente.