La predicción del flujo de tráfico es un componente crítico de los sistemas de transporte inteligente, especialmente en la prevención de la congestión del tráfico en áreas urbanas. Aunque se han dedicado esfuerzos significativos a mejorar la precisión de la predicción del tráfico, también se debe considerar la interpretabilidad de la predicción del tráfico para mejorar la persuasión, especialmente en la era de la cognición del tráfico basada en el aprendizaje profundo. Aunque algunos estudios han explorado redes neuronales interpretables desde los niveles de características y resultados, la explicación a nivel de modelo, que explica el proceso de razonamiento de la predicción del tráfico a través de modelos transparentes, sigue siendo poco explorada y requiere más atención. En este documento, proponemos una nueva red neuronal difusa profunda autoconstruida, SCDFNN, para la predicción del flujo de tráfico con interpretabilidad del modelo. Aprovechando los avances recientes en la computación neuro-simbólica para el aprendizaje automático de reglas, SCDFNN aprende reglas cognitivas de tráfico humanas interpretables basadas en el aprendizaje profundo, incorporando dos innovaciones: (1) una nueva arquitectura jerárquica de red neuronal difusa construida para dependencias espacio-temporales en el dominio de características del tráfico; (2) un método modificado de Wang-Mendel utilizado para fusionar diferencias regionales en los datos de tráfico, lo que resulta en pesos de reglas difusas adaptativas sin sacrificar la interpretabilidad. Experimentos exhaustivos en conjuntos de datos de tráfico conocidos demuestran que el enfoque propuesto es comparable a los modelos profundos de última generación, y la arquitectura jerárquica única de SCDFNN permite la transparencia.