La predicción del flujo de tráfico creíble y precisa es fundamental para implementar sistemas inteligentes de gestión del tráfico. Sin embargo, sigue siendo un desafío desarrollar un modelo de pronóstico robusto y eficiente debido a las características no lineales y al flujo de tráfico estocástico inherente. Apuntando a la relación no lineal en el flujo de tráfico para diferentes escenarios, propusimos un modelo híbrido de aprendizaje extremo de dos etapas para el pronóstico del flujo de tráfico a corto plazo. En la primera etapa, se emplea el algoritmo de optimización de enjambre de partículas para determinar la distribución de la población inicial del algoritmo de búsqueda gravitacional con el fin de mejorar la eficiencia de la búsqueda del valor óptimo global. En la segunda etapa, se utilizan los resultados de la etapa anterior, en lugar de los parámetros de estructura de red generados aleatoriamente por la máquina de aprendizaje extremo, para entrenar el modelo de pronóstico híbrido de manera basada en datos. Evaluamos el modelo entrenado en cuatro conjuntos de datos de referencia del mundo real de las autopistas A1, A2, A4 y A8 que conectan la carretera de circunvalación de Ámsterdam. Los RMSE del modelo propuesto son 288.03, 204.09, 220.52 y 163.92, respectivamente, y los MAPE del modelo propuesto son , , , y , respectivamente. Los resultados experimentales demuestran el rendimiento superior de nuestro modelo propuesto.