افزایش روز افزون حجم و تنوع داده های مکانی- زمانی و پیچیدگی تحلیل های مکان مرجع موجود و مورد نیاز در مدیریت بهینه سیستم های حمل و نقل شهری موجب شده است تا تجزیه و تحلیل، تلفیق، مدل سازی و مدیریت این داده ها و انجام تحلیل های فوق در شبکه گسترده حمل و نقل شهری به عنوان یک چالش اصلی مطرح باشد. در این راستا، به کارگیری هوش مصنوعی به خصوص عامل های هوشمند در زمینه مدل سازی حمل و نقل می تواند به ارائه راه حل هایی برای بخش عمده ای از چالش های مطرح در سیستم حمل و نقل بیانجامد. مدل سازی و نمایش اشیا متحرک (وسایط نقلیه) در قالب شبیه سازی ترافیکی برای یافتن راهکارهایی جهت بهبود وضعیت عملکرد شبکه ترافیک شهری و ایجاد استراتژی های کنترلی در برنامه ریزی حمل و نقل، به عنوان یک نیاز اساسی برای رسیدن به یک سیستم جامع مدیریت حمل و نقل مطرح است. در این میان نقش سیستم های اطلاعات مکانی (gis) به عنوان بستری برای جمع آوری، ترکیب و تجریه تحلیل داده های مکانی مورد نیاز جهت ورود به مدل های عامل مبنا و بررسی پدیده ترافیک شهری که ماهیت مکانی دارد بسیار پر اهمیت است. مدل سازی عامل مبنای صورت گرفته در این تحقیق با فرض وجود سیستم موقعیت یاب جهانی (gps) بر روی همه وسایط نقلیه و همچنین مجموعه از سیستم های دریافت و ارسال پیام به شکل توزیع شده (در قالب تاکسی های شهری)، کارایی این شیوه مدل سازی را در ترافیک شهری و مسیریابی پویا نشان داد. برای اولین بار پارامترهای مرتبط با رفتار اجتماعی رانندگان، رفتار عابرین پیاده، ابعاد مختلف خودروها، و محدودیت های سرعت متفاوت برای آن ها به طور هم زمان در یک سیستم مجتمع که امکان مدل سازی عرض های مختلف را برای معابر شهری دارا می باشد، این واقعیت را نشان داد که بیشترین تأثیر در حجم ترافیک نه متعلق به الگوریتم های مسیریابی و نه متعلق به هوشمند سازی چراغ های راهنمایی است، بلکه ناشی از فرهنگ ترافیک (تغییر جهت بی مورد، عبور از مکان های بدون خط کشی عابر) در جامعه است.