Desde el brote de la Enfermedad por Coronavirus 2019 (COVID-19), la propagación de la epidemia ha sido un importante problema de salud pública internacional. Por lo tanto, se han utilizado diversos modelos de pronóstico para predecir la propagación infecciosa de la enfermedad. En general, los problemas de pronóstico a menudo implican una disminución de la precisión de la predicción a medida que aumenta el horizonte. Por lo tanto, para extender el horizonte de pronóstico sin disminuir el rendimiento o la predicción, este estudio desarrolló un modelo de Doble Memoria a Corto y Largo Plazo (LSTM) con Algoritmos Genéticos (DULSTMGA). El modelo empleó valores predichos generados por modelos LSTM en horizontes de pronóstico cortos como entradas para la predicción a largo plazo de LSTM de manera continua. Se aplicaron algoritmos genéticos para determinar los parámetros de los modelos LSTM, lo que permitió que la precisión del pronóstico a largo plazo aumentara siempre que el pronóstico a corto plazo fuera preciso. Además, se utilizó el modelo de compartimentos para simular el estado de COVID-19 y generar números de casos infecciosos. Casos infecciosos en tres países se emplearon para examinar la viabilidad y el rendimiento del modelo propuesto DULSTMGA. Los resultados numéricos indicaron que el modelo DULSTMGA podía obtener una precisión de pronóstico satisfactoria y era superior a muchos estudios anteriores en términos del error porcentual absoluto medio. Por lo tanto, el modelo DULSTMGA diseñado es una alternativa factible y prometedora para pronosticar el número de casos infecciosos de COVID-19.