Apuntando al problema de robustez de la máquina de aprendizaje extremo (ELM) en escenarios de datos ruidosos y no uniformes, este artículo propone un algoritmo mejorado (BFGS-URWELM) que integra el ponderado de residuos uniforme y la optimización cuasi-Newton de Broyden-Fletcher-Goldfarb-Shanno (BFGS). Este método introduce un mecanismo de ponderación de muestras basado en la varianza residual objetivo, ajusta dinámicamente la importancia de las muestras de entrenamiento y corrige iterativamente los pesos de entrada y los sesgos del ELM en combinación con la estrategia de optimización BFGS, mejorando efectivamente la precisión de predicción y la estabilidad del modelo. El experimento se basa en los datos de flujo de pasajeros de 80 estaciones de metro y compara algoritmos de aprendizaje automático tradicionales, métodos de aprendizaje en conjunto y modelos variantes de ELM. Los resultados muestran que BFGS-URWELM logra 28.34, 0.3071 y 19.76 en los indicadores RMSE, MAPE y MAE, respectivamente, que son un 19.9-33.5% más altos que el ELM base. Además, la distribución residual está más concentrada cerca del valor cero, y la bondad de ajuste se mejora a 0.96. El algoritmo reduce significativamente el error de predicción bajo datos de alta ruido y proporciona una solución altamente robusta para tareas de predicción de flujo de tráfico.