En este trabajo, se utiliza la información sobre casos confirmados de COVID-19 como conjunto de datos para realizar predicciones de series temporales. Proponemos el diseño de redes neuronales de conjunto (ENN) y sistemas de inferencia difusa de tipo-3 (FIS) para predecir datos de COVID-19. Las respuestas de cada módulo ENN se combinan utilizando pesos proporcionados por el FIS de tipo-3, en el cual el ENN también está diseñado utilizando la técnica de optimización del algoritmo de luciérnaga (FA). El método propuesto, llamado ENNT3FL-FA, se aplica a los datos de COVID-19 de casos confirmados de 12 países. Los datos de COVID-19 han demostrado ser una serie temporal compleja debido al comportamiento inestable en ciertos períodos de tiempo. Por ejemplo, se desconoce cuándo existirá una nueva ola y cómo afectará a cada país debido al aumento de casos por muchos factores. El método propuesto busca principalmente encontrar el número de módulos del ENN y los mejores parámetros posibles, como la escala inferior y el rezago inferior del FIS de tipo-3. Cada módulo del ENN produce una predicción individual. Cada error de predicción es una entrada para el FIS de tipo-3; además, las salidas proporcionan un peso para cada predicción, y luego la predicción final se puede calcular. El método de integración promedio ponderado difuso de tipo-3 (FWA) se compara con el FWA de tipo-2 para verificar su capacidad para predecir casos confirmados futuros utilizando dos períodos de datos. Los resultados logrados muestran cómo el método propuesto permite obtener mejores resultados para la predicción real de 20 días futuros para la mayoría de los países utilizados en este estudio, especialmente cuando aumenta el número de puntos de datos. En países como Alemania, India, Italia, México, Polonia, España, el Reino Unido y los Estados Unidos de América, en promedio, el ENNT3FL-FA propuesto logra un mejor rendimiento para la predicción de días futuros para ambos puntos de datos. El método propuesto demuestra ser más estable con series temporales complejas para predecir información futura como la utilizada en este estudio. Se recomiendan técnicas de inteligencia y su combinación en el método propuesto para series temporales con muchos puntos de datos.