یکی از چالش‌های اصلی در کنترل ترافیک چهارراه‌ها، مدیریت بهینه زمان‌بندی چراغ‌های راهنمایی برای کاهش توقف خودروها و جلوگیری از تداخل ترافیکی است. در این پژوهش از سه نوع شبکه عصبی شامل شبکه‌های چندلایه پرسپترون، شبکه نروفازی و شبکه تابع مبنای شعاعی استفاده شده است. داده‌های واقعی از تقاطع‌های بزرگراه شهید اشرفی اصفهانی پردازش شده‌اند. پارامترهای ورودی شامل سرعت‌بیشینه، سرعت‌متوسط، واریانس سرعت عبوری، و حجم عبوری خودروها است. پارامتر خروجی اصلی نیز حالت جریان ترافیکی تعیین شده است. هدف اصلی این تحقیق بررسی عملکرد شبکه‌های عصبی در پیش‌بینی و مدیریت جریان ترافیک در شرایط مختلف است. برای پیاده‌سازی شبکه‌های عصبی و آموزش و ارزیابی آن‌ها از جعبه ابزار شبکه‌عصبی متلب استفاده شده است. در انتخاب شاخص‌های ارزیابی سعی شده است هم ضریب همبستگی و هم میزان خطا موردارزیابی قرار گیرد و حتی میزان خطا به صورت مطلق و نسبی نیز محاسبه شده است. شبکه MLP2 با دو لایه پنهان 16 نرونی بهترین عملکرد را نسبت به سه مدل دیگر از خود نشان می‌دهد. البته در مجموعه آموزشی شبکه MLP1 با دو لایه پنهان 20 نرونی از بهترین عملکرد برخوردار است. ولی در سایر شاخص‌های خطا شبکه MLP2 مقادیر پایین‌تری را دارا است. بنابراین شبکه مذکور به عنوان موفق‌ترین مدل در پیش‌بینی گره ترافیکی انتخاب می‌شود. مقادیر ضریب همبستگی بالا 90 درصد و شاخص خطای زیر یک نشان دهنده کارایی قابل قبول شبکه عصبی مصنوعی در این تحقیق است. ساختار بهینه معرفی شده در این تحقیق ضریب همبستگی 98 درصدی و شاخص خطای 05/0 را از خود نشان داده است.