Se ha dedicado mucho esfuerzo a la modelización matemática y simulación de sistemas complejos para una mejor comprensión de su dinámica y control. La modelización y análisis de los resultados de las simulaciones por ordenador también son aspectos importantes para estudiar el comportamiento de sistemas complejos. A menudo implica el uso de enfoques estadísticos tanto tradicionales como modernos, incluyendo la regresión lineal múltiple, el modelo lineal generalizado y modelos de regresión no lineal como las redes neuronales artificiales. En este trabajo, primero realizamos un estudio de simulación de las decisiones de los agentes aprendiendo a cruzar una autopista basada en autómatas celulares y luego modelamos los datos de la simulación utilizando redes neuronales artificiales. Nuestra investigación muestra que las redes neuronales artificiales son capaces de capturar las relaciones funcionales entre las variables de entrada y salida de nuestros experimentos de simulación, y superan a los enfoques de modelización clásicos. Las técnicas de medida de importancia de variables pueden identificar de manera consistente los factores más dominantes que afectan a las variables de respuesta, lo que nos ayuda a comprender mejor cómo la toma de decisiones de los agentes autónomos se ve afectada por los factores de entrada. La importancia de este trabajo radica en ampliar las investigaciones de sistemas complejos desde la modelización matemática y simulaciones por ordenador hasta el análisis y modelización de los datos obtenidos de las simulaciones utilizando modelos estadísticos avanzados.