La información de tráfico precisa y oportuna es un elemento vital en los sistemas de transporte inteligente y la gestión urbana, lo cual es de suma importancia para los usuarios de las vías y las agencias gubernamentales. Sin embargo, los enfoques existentes de predicción de tráfico se basan principalmente en el aprendizaje automático estándar, que requiere compartir información bruta directa con el servidor global para el entrenamiento del modelo. Además, la información del usuario puede contener datos personales sensibles, y compartir datos brutos directos puede llevar a la filtración de datos privados del usuario y riesgos de exposición. Ante los desafíos mencionados, en este trabajo, introducimos un nuevo marco híbrido que aprovecha el Aprendizaje Federado con Privacidad Diferencial Local para compartir actualizaciones del modelo en lugar de compartir directamente datos brutos entre los usuarios. Nuestro enfoque FL-LDP está diseñado para coordinar a los usuarios para entrenar el modelo de manera colaborativa sin comprometer la privacidad de los datos. Evaluamos nuestro esquema utilizando un conjunto de datos públicos del mundo real e implementamos diferentes redes neuronales profundas. Realizamos una evaluación exhaustiva de nuestro enfoque con modelos de última generación. Los resultados de predicción del experimento confirman que el esquema propuesto es capaz de construir predicciones de tráfico precisas, mejorar la preservación de la privacidad y prevenir ataques de recuperación de datos.