پیش بینی و کنترل جریان ترافیک به صورت پویا و قابل اطمینان، پایه و اساس مدیریت و کنترل سیستم های حمل و نقل هوشمند است. روش های متفاوتی جهت کنترل ترافیک استفاده شده است، که برای تمامی این روش ها قابلیت اطمینان بالا در پیش بینی شرایط ترافیکی، بسیار حائز اهمیت می باشد. در این پژوهش، هدف استخراج مدلی دقیق جهت پیش بینی جریان ترافیک با استفاده از اطلاعات گذشته است. داده های مورد استفاده در این تحقیق تعداد خودروهای عبوری قسمتی از بزرگراه i-494، شهر مینسوتا آمریکا، با بازه های زمانی ساعتی و دوره شش ماهه می باشد. در این پژوهش ابتدا آشوبناک بودن سیستم با استفاده از آزمون نمای لیاپانوف بررسی شده و سپس با استفاده از نظریه اطلاعات متقابل ، ورودی های مناسب انتخاب می شوند، تا از این طریق بتوان بهترین ساختار ورودی را برای مدل پیش بینی بدست آورد. با توجه به ویژگی شبکه های عصبی در مدل سازی سیستم های غیرخطی و متغیر با زمان، جهت پیش بینی جریان ترافیک از شبکه عصبی برگشتی بر پایه توابع شعاعی استفاده شده است. آموزش پارامترهای آزاد شبکه عصبی، همچون وزن ها با الگوریتم عاطفی مبتنی بر گرادیان نزولی انجام می گیرد. در پایان روش پیشنهادی با روش های معمول مقایسه شده، که نتایج به دست آمده برتری مدل پیشنهادی را نشان می دهد.