La previsión fiable del flujo de tráfico a corto plazo es un componente esencial de los modernos sistemas de transporte inteligente. Sin embargo, los métodos existentes no logran lidiar con la naturaleza no lineal del flujo de tráfico a corto plazo, lo que a menudo hace que la previsión sea poco fiable. En este sentido, proponemos un método fiable de previsión del flujo de tráfico a corto plazo, denominado aprendizaje extremo híbrido, que aprende eficazmente la representación no lineal del flujo de tráfico, mejorando la fiabilidad de la previsión. Este nuevo algoritmo explora la naturaleza no lineal de los datos de tráfico a corto plazo mediante la explotación de la colonia artificial de abejas que selecciona la mejor desviación de capa implicada y la matriz de peso de entrada para mejorar la capacidad de percepción de información multiestructural. Acelera el tiempo de previsión al calcular la matriz de peso de salida, lo que garantiza el uso real del método de previsión, mejorando la fiabilidad del tiempo. Evaluamos exhaustivamente el método propuesto de aprendizaje extremo híbrido en conocidos conjuntos de datos de previsión del flujo de tráfico a corto plazo. Los resultados experimentales muestran que nuestro método supera ampliamente a los métodos existentes tanto en precisión de previsión como en tiempo, demostrando eficazmente la mejora de la fiabilidad del método propuesto. Este método fiable puede abrir el camino a técnicas de aprendizaje profundo en la previsión del flujo de tráfico a corto plazo en escenarios reales.