En la actualidad, la predicción precisa y eficiente del flujo de tráfico a corto plazo desempeña un papel crítico en los sistemas de transporte inteligente (ITS). Sin embargo, debido a que el flujo de tráfico es susceptible a factores como el clima y las condiciones de la carretera, los datos de flujo de tráfico tienden a mostrar incertidumbre dinámica y no linealidad, lo que hace que la construcción de un modelo de pronóstico robusto y confiable siga siendo una tarea desafiante. Apuntando a este problema de pronóstico de flujo de tráfico no lineal y complejo, este documento construye un modelo de optimización híbrido de pronóstico de flujo de tráfico a corto plazo, SSA-ELM, basado en la máquina de aprendizaje extremo al incrustar el algoritmo de búsqueda de gorriones para resolver el problema mencionado. La máquina de aprendizaje extremo ha sido ampliamente utilizada en la predicción de flujo de tráfico a corto plazo debido a sus características como baja complejidad computacional y rápida velocidad de aprendizaje. Al utilizar el algoritmo de búsqueda de gorriones para optimizar los valores de peso de entrada y las desviaciones de la capa oculta en la máquina de aprendizaje extremo, se utiliza el algoritmo de búsqueda de gorriones para buscar la solución óptima global teniendo en cuenta las características originales de la máquina de aprendizaje extremo, de modo que el modelo mejore la estabilidad al aumentar la precisión de la predicción. Los resultados experimentales en el conjunto de datos de flujo de tráfico de la carretera A10 de Amsterdam muestran que el modelo de pronóstico de flujo de tráfico propuesto en este documento tiene una mayor precisión y estabilidad en la predicción, lo que revela el potencial de los modelos de optimización híbridos en el campo de la predicción de flujo de tráfico a corto plazo.