روابط بین اجزای اصلی ترافیک به جهت اینکه ابزاری برای تحلیل های دقیقتر ارائه می دهند همواره از اهمیت زیادی نزد محققان برخوردار بوده اند. با لحاظ نمودن این امر که در اکثر مطالعات مشابه و از جمله منابع اصلی دانشگاهی سعی بر این بوده که روابط ، عمدتاً برای شرایط آفتابی و مساعد هوایی ارائه گردد ؛ این مقاله با تاثیر دادن شرایط بارش ساعتی برای یک راه اصلی با جدا کننده وسط واقع در منطقه پر بارش ، مدلی برای پیش بینی سرعت جریان ترافیک مبتنی بر شبکه های عصبی ارائه نمود. به این منظور شبکه پرسپترون با سه ورودی حجم ترافیک ساعتی ، درصد ساعتی وسائل نقلیه سنگین و وضعیت بارش ( 1 برای بارش و 0 برای عدم بارش) و خروجی سرعت متوسط ، تعریف شده و آموزش دید. مدل موصوف دارای ضریب برازش 0/86 و بر اساس اطلاعات محور خمام - انزلی واقع در استان گیلان بوده است.
میر بها,بابک . (1396). ارائه مدل پیش بینی سرعت ترافیک در شرایط بارندگیبا بکار گیری شبکه های عصبی (مطالعه موردی : استان گیلان). مهندسی ترافیک, 1396(70), 65-74.
MLA
میر بها,بابک . "ارائه مدل پیش بینی سرعت ترافیک در شرایط بارندگیبا بکار گیری شبکه های عصبی (مطالعه موردی : استان گیلان)", مهندسی ترافیک, 1396, 70, 1396, 65-74.
HARVARD
میر بها بابک. (1396). 'ارائه مدل پیش بینی سرعت ترافیک در شرایط بارندگیبا بکار گیری شبکه های عصبی (مطالعه موردی : استان گیلان)', مهندسی ترافیک, 1396(70), pp. 65-74.
CHICAGO
بابک میر بها, "ارائه مدل پیش بینی سرعت ترافیک در شرایط بارندگیبا بکار گیری شبکه های عصبی (مطالعه موردی : استان گیلان)," مهندسی ترافیک, 1396 70 (1396): 65-74,
VANCOUVER
میر بها بابک. ارائه مدل پیش بینی سرعت ترافیک در شرایط بارندگیبا بکار گیری شبکه های عصبی (مطالعه موردی : استان گیلان). traffic, 1396; 1396(70): 65-74.
