La predicción precisa, eficiente y confiable del flujo de tráfico es fundamental para la operación y gestión de autopistas. Sin embargo, las series de flujo de tráfico presentan características no lineales, heterogéneas y estocásticas, lo que plantea desafíos significativos para una predicción precisa. Para abordar este problema, este documento propone un novedoso modelo wavelet-LNN, que integra las fortalezas de la descomposición wavelet y las redes neuronales líquidas (LNN). Inicialmente, se aplica la descomposición wavelet multiescala a los datos originales de flujo de tráfico para obtener componentes de aproximación y componentes detallados. Posteriormente, cada componente es entrenado utilizando la LNN. Finalmente, los resultados predichos de todos los componentes de los modelos LNN se agregan para derivar la predicción final del flujo de tráfico. Los experimentos realizados en cuatro conjuntos de datos de autopistas demuestran que el modelo propuesto de wavelet-LNN supera a los modelos SVR, LSSVM, LSTM, TCN y transformer en rendimiento de predicción en las métricas R2, MSE y MAE. Es notable que el modelo wavelet-LNN cuenta con el menor número de parámetros.