بنگاههای صنعتی تولید کننده هواکشهای تونلی بطور فزاینده تحت تاثیر عدم دسترسی به آماری نسبتاً دقیق از تقاضای آینده مشتریان همزمان با تحریمها و نوسانات نرخ ارز با مشکلاتی از قبیل عدم توانایی در جوابگویی بموقع به تقاضای مشتریان و کاهش توان رقابتی نسبت به رقبای خارجی و کاهش سهم بازار روبرو شده اند. نظر به نقش اطلاعات بدست آمده از پیش بینی تقاضای هواکشهای تونلی در کمک به مدیران در برنامه ریزی سریع و دقیق و اتخاذ تصمیم های بموقع، در راستای افزایش توان رقابتی سازمان خود نسبت به سایر رقبا، کاهش ضرر حاصل از نوسانات قیمت ارز، کاهش زمان تاخیر در تحویل محصول، جلوگیری از دست دادن مشتری و تولید و تامین بموقع هواکشهای تونلی و تضمین جریان هوای سالم در تونلها، نیاز به ابزارهایی جهت پیش بینی هر چه دقیقتر تقاضا در این صنعت ضروری بنظر می رسد. قابل ذکر است که استفاده از روشهایی با خطای کم جهت پیش بینی وضعیت آینده، همواره دغدغه اصلی مدیران بوده است. بر این اساس در سالهای متمادی، روشهایی ریاضی و آماری مانند روش خودرگرسیون میانگین متحرک انباشته، از جمله الگوهایی بوده است که قاطعانه مورد تأیید و استفاده قرار گرفته است، اما در مواقعی که رابطه ریاضی مناسبی بین داده ها و متغیرهای مستقل و وابسته قابل شکل دهی نیست، عملکرد این مدلها نامناسب و با اشکالاتی مواجه بوده است. ایجاد روشهای هوش مصنوعی، مانند شبکه عصبی مصنوعی پرسپترون چند لایه، امیدواریهای بسیاری جهت دستیابی به مدلهایی ساده و با عملکرد مناسب در مسائل پیش بینی، بالاخص هنگامی که روابط بین متغیرها غیرخطی است، بوجود آورد. در این پژوهش، با بررسی عملکرد مدلهای شبکه عصبی مصنوعی در حوزه داده های مرتبط با پیش بینی تقاضا، اقداماتی نسبت به طراحی مدلی جهت پیش بینی تقاضای هواکشهای تونلی به کمک این شبکه ها صورت پذیرفت و نتایج حاصله با نتایج بدست آمده از مدل کلاسیک خود رگرسیون متحرک انباشته مورد مقایسه قرار گرفت و با توجه به نتایج مطلوب بدست آمده از مدل طراحی شده (درمقایسه با نتایج مدل آریما)، نسبت به بهبود عملکرد شبکه (با وارد نمودن متغیرهای توضیح دهنده) اقدام شد. قابل ذکر است در این تحقیق در مورد نوع، ساختار، تعداد لایه ها و نرونهای هر لایه، توابع فعالسازی نرونهای هر لایه، الگوریتم آموزش، سایز مجموعه داده های آموزش و تست و همچنین معیار سنجش عملکرد شبکه تصمیم گیری و طراحیهای لازم صورت پذیرفت و نهایتاً شبکه عصبی مصنوعی پرسپترون سه لایه n(6-2-1) با شش نرون در لایه ورودی، دو نرون در لایه میانی با تابع انتقال تانژانت هیپربولیک، یک نرون در لایه خروجی با تابع انتقال خطی و الگوریتم یادگیری پس انتشار خطا با معیار میانگین مربعات خطا جهت سنجش عملکرد شبکه حاصل و جهت پیش بینی تقاضای هواکشهای تونلی ارائه شد.