Este artículo presenta una versión modificada del modelo compartimental SVIR para predecir la evolución de la pandemia de COVID-19, que incorpora la vacunación y una tasa de incidencia saturada, así como parámetros dependientes del tiempo en forma de tramos que permiten la autorregulación basada en la tendencia epidémica. Hemos establecido la positividad de la versión de EDO del modelo y explorado su estabilidad local. Se utilizan redes neuronales artificiales para estimar parámetros dependientes del tiempo. Se realizan simulaciones numéricas utilizando un esquema numérico de Runge-Kutta de cuarto orden, y los resultados se comparan y validan con datos reales de las Comunidades Autónomas de España. El modelo modificado también incluye parámetros explícitos para examinar posibles escenarios futuros. Además, el modelo SVIR modificado se transforma en un sistema de EDP unidimensionales con términos difusivos, y se resuelve utilizando un marco de volumen finito con reconstrucción WENO de quinto orden en el espacio y un esquema RK3-TVD para la integración temporal. En general, este trabajo demuestra la efectividad del modelo SVIR modificado y su potencial para mejorar nuestra comprensión de la pandemia de COVID-19 y apoyar la toma de decisiones en salud pública.