Debido a la naturaleza no lineal y no estacionaria de las series temporales de casos diarios de la enfermedad por coronavirus 2019 (COVID-19), los métodos de predicción existentes luchan por pronosticar con precisión el número de casos diarios nuevos. Para abordar este problema, se propone en este estudio un marco de predicción híbrido que combina la descomposición modal empírica de conjunto (EEMD), la reconstrucción de entropía difusa (FE) y un modelo de red híbrida CNN-LSTM-ATT. Este nuevo marco, denominado EEMD-FE-CNN-LSTM-ATT, se aplica para predecir el número de casos diarios nuevos de COVID-19. Este estudio se centra en el conjunto de datos de casos nuevos diarios de los Estados Unidos como sujeto de investigación para validar la viabilidad del marco de predicción propuesto. Los resultados muestran que EEMD-FE-CNN-LSTM-ATT supera a otros modelos de referencia en todas las métricas de evaluación, demostrando su eficacia en el manejo de las series temporales epidémicas no lineales y no estacionarias. Además, la generalizabilidad del marco híbrido propuesto se valida en conjuntos de datos de Francia y Rusia. El marco híbrido propuesto ofrece un nuevo enfoque para predecir la pandemia de COVID-19, brindando un importante apoyo técnico para la futura predicción de enfermedades infecciosas.