استفاده از تکنولوژی‏های جدید، امروزه از الزامات رشد و ترقی و مدیریت مطلوب هر کسب و کاری بشمار می‏آید. در حمل و نقل دریایی کالا نیز به دلیل اهمیت این کسب و کار و لزوم رقابت‏پذیری بنادر با یکدیگر، کاربرد فناوری و تکنولوژی‏های جدید در مدیریت موثرتر و اتخاذ تصمیمات بهتر می‏تواند بسیار مفید باشد. در این پایان‏نامه ابتدا به معرفی داده‏کاوی، تکنیکهای آن و متدولوژی مورد استفاده جهت داده‏کاوی خواهیم پرداخت و سپس با طی کامل مراحل فرایند استاندارد داده‏کاوی (crisp-dm) و با در دسترس داشتن داده‏های واردات خودرو سواری در فاصله سال‏های 1386 تا 1390 در بندر شهید رجایی به پیش‏بینی میزان واردات خودرو سواری در سالهای آتی با استفاده از الگوریتم‏های مختلف شبکه‏های عصبی پرسپترون چند لایه، هموارسازی نمایی و arima پرداخته و با مقایسه پارامترهای خروجی (r2 ، mape و rmse) در هر مدل ، بهترین مدل جهت پیش‏بینی واردات این کالا را معرفی می‏کنیم. نتایج نشان می‏دهد که شبکه‏های عصبی مصنوعی عملکرد بهتری نسبت به مدل‏های سری‏های زمانی نظیر هموارسازی نمایی و arima دارند و الگوریتم لونبرگ مارکوات بهترین پیش‏بینی را در این خصوص ارائه می‏دهد.