Neuronale Netze besitzen u.a. die Fähigkeit komplexe, auch nicht lineare funktionale Zusammenhänge mit hoher (Rechen-) Geschwindigkeit abzubilden, und zeichnen sich durch Lernfähigkeit aus. Verkehrsleitsysteme benötigen möglichst aktuelle Daten über das Verkehrsgeschehen, wobei die bisher zur Anwendung kommenden (Prognose-)Modelle, obwohl nur eine beschränkte Anzahl von Einflussparametern berücksichtigt wird und damit eine unbefriedigende Abbildung des realenVerkehrsgeschehens erfolgt, erhebliche Rechenzeiten benötigen und somit Ergebnisse erst mit erheblichem Zeitversatz liefern. Bei dem Versuch, diese Problematik mit Hilfe Neuronaler Netze über die Berechnung von Reisezeiten durch Korrelation von Ganglinien an benachbarte Messquerschnitte zu lösen, hat sich allerdings gezeigt, dass die Bestimmung der Reisezeit auf diese Art zwar theoretisch möglich ist, aber trotz schneller Rechner immer noch erheblicher Zeitaufwand benötigt wird, bis Konvergenz besteht. Zur Verbesserung des Ansatzes, der auch nicht - wie ursprünglich vorgesehen - in der Praxis getestet werden konnte, werden deshalb weiterführende Arbeiten zur Konvergenzbeschleunigung und eine Reihe von grundsätzlich anderen Lösungsansätzen vorgeschlagen.