افزایش حجم ترافیک و ایجاد گره های ترافیکی در راه های بین شهری و همچنین شبکه ترافیک شهری سبب کاهش کارایی شبکه ترافیکی و راه های مورد نظر می شود. پیش بینی و کشف هرچه سریعتر این گره های ترافیکی می تواند کمک شایانی به حل مشکل و روان سازی جریان ترافیک نماید. شبکه های عصبی مصنوعی نشان داده اند که با تکیه بر قابلیت یادگیری خود می توانند عملکرد بسیار مناسبی در این زمینه از خود نشان دهند. هدف اصلی این تحقیق پیش بینی و تشخیص خودکار گره های ترافیکی با استفاده از مدل شبکه عصبی هوشمند و مقایسه کارایی مدل با مدلهای دیگر موجود است. به طوریکه با استفاده از داده های آموزشی، شبکه عصبی مصنوعی را به گونه ای بیاموزد که بتواند خروجی مورد نظر را تشخیص و در مورد داده های هدف با موفقیت پیش بینی را انجام دهد. روش تحقیق جهت پیش بینی معماری شبکه از سه پارامتر ورودی و یک پارامتر خروجی استفاده شده است. در این تحقیق از سه نوع شبکه عصبی مصنوعی به منظور پیش بینی و کشف خودکار گره های ترافیکی استفاده شده است. داده های مورد استفاده در این تحقیق از اطلاعات واقعی مرکز کنترل ترافیک آزادراه تهران-کرج به صورت روزانه، هفتگی و ماهیانه می باشد. در ابتدا از شبکه عصبی چند لایه پرسپترون، استفاده شده و شبکه عصبی دیگری که در این تحقیق مورد استفاده قرار گرفته، شبکه نروفازی می باشد و در نهایت از شبکه عصبی تابع مبنای شعاعی به منظور بررسی موفقیت دو شبکه قبلی استفاده شده است. کارایی و دقت مدلهای مختلف براساس بهترین و جامع ترین مجموعه شاخص های ارزیابی جهت سنجش کارکرد هر کدام از مدلها تحلیل شد و براساس مقایسه کارایی آنها نسبت به یکدیگر، مدل پرسپترون با کارایی بهینه معرفی شد. مقایسه نتایج مقادیر پیش بینی شده جریان ترافیکی با مقادیر اندازه گیری شده در واقعیت، نشان می دهد که مدل مطرح شده به طور رضایت بخشی جریان ترافیکی را پیش بینی می کند.