Las técnicas de predicción de tráfico se clasifican como paramétricas, no paramétricas y una combinación de características paramétricas y no paramétricas. La máquina de aprendizaje extremo (ELM) es una técnica no paramétrica que se utiliza comúnmente para mejorar los problemas de predicción de tráfico. En este estudio, se propone e implementa un enfoque de probabilidad modificado, campos aleatorios condicionales continuos (CCRF), con el ELM y luego se utiliza para evaluar los datos de tráfico en las autopistas. La modificación se realiza para mejorar el rendimiento de las técnicas no paramétricas, en este caso, el método ELM. Este método propuesto se denomina campos aleatorios condicionales continuos a distancia de la media (DM-CCRF). Los resultados experimentales muestran que la técnica propuesta suprime el error de predicción del modelo de predicción en comparación con el CCRF estándar. Se muestra la comparación entre ELM como regresor base, el CCRF estándar y el CCRF modificado. La evaluación del rendimiento de las técnicas se obtiene analizando sus valores de error porcentual absoluto medio (MAPE). DM-CCRF es capaz de suprimir el error del modelo de predicción a ~17.047%, lo que es el doble de bueno que el método CCRF estándar. Basado en las características del conjunto de datos, el método DM-CCRF es mejor para la predicción del tráfico en las autopistas que el método CCRF estándar y el regresor base.