چکیده: باد یکی از عناصر اصلی در اقلیم هر منطقه است که تغییرات آن می تواند بر پدیده هایی مانند طوفان های گرد و غباری و شدت تبخیر و تعرق تاثیرگذار باشد. پیش بینی رفتار باد به علت ماهیت تصادفی آن، بسیار چالش برانگیز است و به شرایط آب و هوایی و عوامل منطقه بستگی دارد. علاوه بر روش های فیزیکی و آماری سنتی، در سال های اخیر جهت دستیابی به پیش بینی های با قطعیت بالا برخی روش های پیشرفته بر اساس هوش مصنوعی مورد بررسی قرار گرفته اند. در این تحقیق، به منظور پیش بینی سرعت و جهت باد روزانه در یک ساعت مشخص، چندین مدل توسعه داده شد. سه نوع شبکه عصبی مصنوعی که عبارتند از شبکه عصبی مصنوعی NARX، شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) و شبکه عصبی مصنوعی پرسپترون چند لایه با نمونه گیری بگینگ جهت پیش-بینی یک گام بعد با استفاده از داده های پیشین ساخته شد. تمامی مدل ها توسط داده های سرعت باد مدل سیستم پیش بینی جهانی (GFS) و برخی پارامتر های هواشناسی واقعی (جهت باد، فشار هوا، دمای هوا، رطوبت نسبی و میزان بارش) گرد آوری شده در یک دوره آماری حدودا دو ساله (اکتبر 2014- جولای 2016) در بندر ماهشهر آموزش داده شدند. بر اساس نتایج، شبکه عصبی مصنوعی پرسپترون چند لایه با نمونه گیری بگینگ نسبت به دو شبکه عصبی دیگر پاسخ بهینه تری ارائه کرد. در این تحقیق همچنین به بررسی تاثیر پارامتر های مختلف بر مدل های پیش بینی نیز پرداخته شد. در ساختار های ورودی مختلف پارامتر های فشار هوا و دمای هوا بیشترین تاثیر را در مدل های شبکه عصبی مصنوعی در منطقه بندر ماهشهر داشتند.