Un enfoque eficiente y creíble para la gestión y predicción del tráfico vial es un aspecto crucial en los Sistemas de Transporte Inteligente (ITS). Puede influir fuertemente en el desarrollo de estructuras y proyectos viales. También es esencial para la planificación de rutas y regulaciones de tráfico. En este documento, proponemos un modelo híbrido que combina una máquina de aprendizaje extremo (ELM) y técnicas basadas en conjuntos para predecir el tráfico horario futuro de un tramo de carretera en Tánger, una ciudad en el norte de Marruecos. El modelo se aplicó a un conjunto de datos históricos del mundo real extraído de sensores fijos durante un período de 5 años. Nuestro enfoque se basa en un tipo de Red Neuronal de Una Capa Oculta (SLFN) conocida por ser un algoritmo de aprendizaje automático de alta velocidad. El modelo fue, entonces, comparado con otros algoritmos bien conocidos en la literatura de predicción. Los resultados experimentales demostraron que, de acuerdo con los criterios de medición de error más comúnmente utilizados (RMSE, MAE y MAPE), nuestro modelo tiene un mejor rendimiento en términos de precisión de predicción. El uso de la técnica del Criterio de Información de Akaike (AIC) también ha mostrado que el modelo propuesto tiene un rendimiento superior.