En este estudio se propone un modelo modificado para la predicción de series temporales difusas vacilantes neutrosóficas de un solo valor de los datos de series temporales. La investigación tiene como objetivo mejorar el modelo de series temporales difusas vacilantes neutrosóficas de un solo valor (SVNHFTS) presentado anteriormente al incluir varios grados de vacilación para aumentar la precisión de la predicción. El número difuso gaussiano (GFN) y el número difuso en forma de campana (BSFN) se utilizaron para incorporar el grado de vacilación. Se aplicó la medida del coseno y el operador geométrico ponderado difuso vacilante neutrosófico de un solo valor (SVNHFWG) para analizar las posibilidades y elegir la mejor opción en función del valor neutrosófico. Dos conjuntos de datos consisten en datos de series temporales cortas y de baja frecuencia de inscripción de estudiantes y datos de series temporales largas y de alta frecuencia de diez criptomonedas principales. El resultado empírico demostró que el modelo propuesto proporciona una mayor eficiencia y precisión en la predicción de los precios de cierre diarios de diez criptomonedas principales en comparación con los métodos S-ANFIS, ARIMA y LSTM, y también supera a otros métodos de FTS en la predicción del conjunto de datos de inscripción de estudiantes de la Universidad de Alabama en términos de tiempo de computación, Error Porcentual Absoluto Medio (MAPE), Error Absoluto Medio (MAE) y Error Cuadrático Medio (RMSE).