در دهه‌های اخیر، با توسعه زیرساخت‌های حمل‌ونقل و افزایش جمعیت در مناطق شهری، معضل ترافیک به یکی از چالش‌های اصلی زندگی شهری تبدیل شده است. رشد بی‌رویه شهرها، افزایش تعداد خودروها و موتورسیکلت‌ها و عدم مدیریت صحیح ترافیک، مشکلات عدیده‌ای را به همراه داشته است. از جمله این مشکلات می‌توان به آلودگی هوا، مصرف بی‌رویه سوخت، افزایش تصادفات، از دست رفتن زمان و افزایش استرس در شهروندان اشاره کرد. برای مقابله با این چالش، استفاده از سیستم‌های حمل‌ونقل هوشمند به عنوان راهکاری موثر مطرح شده است. در این مطالعه، از جستجوی شبکه‌ای برای بهینه‌سازی هایپرپارامترها برای هر دو مدل MLP و CNN-LSTM استفاده شده است. تکنیک‌های توقف زودهنگام برای جلوگیری از بیش‌برازش استفاده شده تا اطمینان حاصل شود که مدل‌ها به خوبی به داده‌های دیده نشده تعمیم داده می‌شوند. عملکرد مدل‌ها با استفاده از خطای ریشه میانگین مربعات (RMSE) و خطای میانگین مطلق (MAE) ارزیابی شده است که معیارهای استانداردی برای ارزیابی دقت پیش‌بینی هستند. در این مطالعه از دو مدل شبکه پرسپترون چندلایه و شبکه عصبی کانولوشنی-حافظه طولانی- کوتاه‌مدت استفاده شده است که در اینجا معماری به کار رفته در این مقاله با جرئیات بیشتری بررسی می‌شود. نتایج به‌دست‌آمده نشان می‌دهد که مدل CNN-LSTM به‌خصوص در پیش‌بینی ترافیک در شرایط غیرتکراری، توانایی پیش‌بینی بسیار بهتری نسبت به سایر مدل‌ها دارد. واحد بازگشتی دروازه‌دار مانند حافظه طولانی کوتاه مدت، دروازه خروجی ندارد. پارامتراهای واحد بازگشتی دروازه‌دار کمتر است، بنابراین از نظر محاسباتی کارآمدتر بوده و برای تعمیم به داده‌های کمتری نسبت به حافظه طولانی کوتاه مدت نیاز دارد.