Este artículo presenta un nuevo marco de memoria a largo plazo (LSTM) de flujo paralelo para predecir las hospitalizaciones diarias por semana en Estados Unidos. Para abordar la inexactitud de los modelos de predicción existentes durante la pandemia de COVID-19, incorporamos la proximidad social de hospitalización (SPH), una característica espaciotemporal basada en el índice de conectividad social de Meta. La SPH captura la dinámica de transmisión en el espacio y el tiempo al reflejar el movimiento semanal de la población. Nuestro modelo captura las dependencias temporales tanto a corto como a largo plazo, y ajusta la consistencia y el error de la predicción mediante una estrategia de conjunto multihorizontal. La superioridad del modelo propuesto se confirma mediante una evaluación comparativa con los modelos de conjunto de centros de predicción de COVID-19 durante los períodos de propagación de las variantes delta y Ómicron. En particular, durante el período de propagación de la variante Ómicron, el rendimiento de la predicción mejora en un promedio de 27, 42, 54 y 69 hospitalizaciones por semana para los períodos de pronóstico de 7, 14, 21 y 28 días, respectivamente. Validamos el poder predictivo de SPH a través de experimentos de eliminación de datos, destacando la importancia de las características espaciotemporales en el modelado epidemiológico complejo de la propagación de enfermedades infecciosas.