跟驰模型和换道模型在交通安全评价、微观交通仿真、自巡航控制、自动驾驶等领域均有广泛的应用价值,它们也是道路微观交通流理论的核心内容。传统的微观交通流模型有一个共同不足就是它们均是基于数学公式和交通流理论建立的数学模型,这就导致此类模型很难有效地反映驾驶员的感知、思考、决策等一系列心理和生理活动的不一致性和不确定性。本文从数据本身的角度出发,利用机器学习相关算法特有优势,开展了基于数据驱动的微观交通流建模研究,来弥补上述不足,探索微观交通流模型研究的新方向。首先,针对跟驰行为展开研究,以线性组合预测为基础,融合基于动力学的跟驰模型对安全因素的可控性优点和基于机器学习的跟驰模型的强大自学习优点,通过改进最优加权法中的目标函数,来建立线性组合跟驰模型;然后,针对换道行为中的换道决策阶段,分别利用机器学习算法—BP神经网络、支持向量机、随机森林建立了数据驱动的自由换道决策模型,并利用归一化、主成分分析法对NGSIM数据进行预处理,然后用处理后的数据对模型进行训练和测试,验证模型的有效性。另外,基于随机森林独有的优势对影响换道决策行为的因素的重要性进行了分析;最后,针对换道行为中的换道执行阶段展开研究,首次提出基于BP神经网络建立换道执行模型,借助BP神经网络强大的自学能力和非线性拟合能力等优点,来弥补传统模型的不足。结果表明:组合跟驰模型的预测精度优于Gipps模型,且可通过调整组合跟驰模型考虑真实性和安全性的权重,来达到控制预测速度的真实性和安全性的目的;数据驱动的换道决策模型均有较高的精度;在换道决策阶段,驾驶员更多地关注在于本车与目标车道上车辆之间的距离,而不是相对速度,且相对目标车道上的前车来说,后车对驾驶员的影响更大一些;数据驱动的换道执行模型具有非常高的精度,用数据驱动的方法来建立换道执行模型是可行且有效的。