پیش بینی دقیق زمان سفر یکی از مسائل مهم در حوزه ترافیک و حمل و نقل است که می تواند به طور قابل توجهی بر زندگی روزمره افراد و سازمان ها تاثیر بگذارد. در این پژوهش، چهار روش مختلف یادگیری ماشین شامل رگرسیون خطی (LR)، رگرسیون چندمتغیره (MR)، رگرسیون جنگل تصادفی (RDR) و شبکه عصبی مصنوعی عمیق (DNN) برای پیش بینی زمان سفر آموزش داده شدند. هدف از این پژوهش پیشبینی زمان سفر جهت استفاده در سیستم های ترافیک هوشمند است و بهره گیری و مقایسه چندین روش جدید شامل شبکه عصبی عمیق و رگرسیون جنگل تصادفی و همچنین دخیل نمودن پارامترهای جدید مانند وضعیت بارش، نرم جریان ترافیک، زمان و همچنین تصادفات و نقاط قفل ترافیکی نسبت به پژوهش های دیگر، نوآوری و جامعیت این پژوهش نسبت با سایر مطالعات می باشد. در طراحی و اجرای این پژوهش از داده های واقعی ترافیک برگرفته از Google map استفاده و آنالیز گردید. این داده ها شامل اطلاعاتی از جمله شرایط ترافیک، فصل سال، ساعت روز، وضعیت بارش جوی و ویژگی های مسیر می باشد. نتایج این پژوهش نشان می دهد که مدل DNN با R2 برابر با 0.833 عملکرد خیلی خوبی را در بین مدل های مورد بررسی دارد. این مدل 0.833% واریانس داده ها را توضیح می دهد و توزیع باقیمانده ها در آن به طور نسبی مرکزی با میانگین صفر و توزیعی نزدیک به نرمال است. مدل رگرسیون خطی با R2 برابر با 0.615 عملکرد ضعیف تری نسبت به DNN دارد و 0.615% از واریانس داده ها را توضیح می دهد. و اما مدل رگرسیون جنگل تصادفی با R2 برابر با 0.955 در رقابت با DNN یکی از بهترین عملکردها را دارد و 0.955% از واریانس داده ها را توضیح می دهد. پارامترهای MSE و RMSE نیز جهت ارزیابی عملکرد مدل ها استفاده شدند و نهایتا مقایسه چندبعدی بین مدل ها صورت گرفت و مدل جنگل تصادفی کمترین مقادیر خطا را نتیجه داد. از آنجائی که در داده های ترافیکی جمع آوری شده، حوادث رانندگی و تبعا نقاط قفل ترافیکی در مدل ها نیز استفاده شده، و با لحاظ اینکه مدل رگرسیون جنگل تصادفی با وجود نویز و آنومالی نیز به طور موثرتری با داده ها تطبیق یافته می یابند، مقدار R2 این مدل، از شبکه های عصبی عمیق بدلیل داشتن ذات بیش پردازشی، بالاتر حاصل شده است.