La predicción del flujo de tráfico a corto plazo es una parte esencial de los sistemas de transporte inteligente. Sin embargo, es un desafío modelar con precisión el flujo de tráfico debido a sus cambios rápidos con el tiempo. La Red Kolmogorov-Arnold (KAN) ha demostrado eficiencia de parámetros con menor memoria y sobrecarga computacional a través de funciones parametrizadas por spline para manejar datos temporales de alta dimensionalidad. En este documento, proponemos desbloquear el potencial de la red Kolmogorov-Arnold para la predicción del flujo de tráfico optimizando sus parámetros con un algoritmo heurístico. El algoritmo de búsqueda gravitacional aprende a comprender KANs optimizados para diferentes escenarios de tráfico. Realizamos experimentos extensos en cuatro conjuntos de datos de referencia del mundo real de Ámsterdam, Países Bajos. El RMSE de GSA-KAN se reduce en , , , y , y el MAPE de GSA-KAN se reduce en , , , y en los conjuntos de datos A1, A2, A4 y A8, respectivamente. Los resultados experimentales demuestran que GSA-KAN realiza modelos paramétricos y no paramétricos avanzados.