Nuevas epidemias fomentan el desarrollo de nuevos modelos matemáticos para la propagación y pronóstico de enfermedades infecciosas. Los datos de epidemiología estadística se caracterizan por series temporales incompletas e inexactas, lo que conduce a un pronóstico inestable y no único de enfermedades infecciosas. En este documento, se construye un modelo de una red neuronal generativa adversarial condicional (CGAN) para modelar y pronosticar el COVID-19 en San Petersburgo. Toma 20 estadísticas históricas procesadas como condición y se basa en la solución del problema minimax. La CGAN construye un pronóstico a corto plazo del número de casos recién diagnosticados de COVID-19 en la región para los próximos 5 días. El enfoque de la CGAN permite modelar la distribución de datos estadísticos, lo que permite obtener la cantidad requerida de datos de entrenamiento a partir de la distribución resultante. Al comparar los resultados de pronóstico con el modelo diferencial clásico SEIR-HCD y una red neuronal recurrente con los mismos parámetros de entrada, se mostró que los errores de pronóstico de los tres modelos están en el mismo rango. Se muestra que el error de predicción del modelo de conjunto basado en tres modelos es menor que los resultados de cada modelo por separado.