La predicción del flujo de tráfico a corto plazo, un habilitador esencial para los sistemas de transporte inteligente, es una tarea fundamental y desafiante para cambiar drásticamente el flujo de tráfico con el tiempo. En este documento, presentamos una máquina de aprendizaje extremo con núcleo optimizado por búsqueda gravitacional, llamada GSA-KELM, para evitar recorrer manualmente todos los posibles parámetros para mejorar el rendimiento potencial. Además, con la interferencia de ruido de impulso de cola pesada, el rendimiento de KELM puede deteriorarse seriamente. Basándonos en el filtro de Kalman que combina de manera inteligente los datos observados y los datos estimados para realizar la gestión en bucle cerrado de errores y limitar los errores dentro de un cierto rango, proponemos un modelo combinado, denominado GSA-KELM-KF. Los resultados experimentales de dos conjuntos de datos del mundo real demuestran que GSA-KELM-KF supera a los modelos paramétricos y no paramétricos de vanguardia.