交通数字孪生是未来交通系统智能化、数字化建设的重要技术,在线仿真是其中的关键环节,在线仿真系统中的车辆建模对整体的仿真效果有着很大影响。本文研究在线交通仿真系统中微观交通建模的关键技术,包括基于数据驱动的微观车辆跟驰模型、换道决策模型、在线交通仿真引擎架构等,论文的主要工作如下:1.基于残差拟合的跟驰模型为了提高微观交通仿真中车辆跟驰建模的准确性与泛化能力,将物理类模型与深度学习结合,提出一种基于双向GRU与残差拟合的跟驰模型框架。该框架使用双向GRU网络学习物理类跟驰模型预测值与真实值的残差,在NGSIM数据集、HighD数据集上进行交叉验证测试,对比了 IDM、GIPPS、GM、FVD四种跟驰模型下的残差拟合效果,实验表明双向GRU网络可以对原模型预测结果的偏差进行有效修正。选用IDM作为本框架的物理类模型,提出了 Bi-GRU-IDM模型,与现有SVR模型、BPNN模型、GRU模型进行对比,结果表明Bi-GRU-IDM在预测精度、泛化性能上明显优于其他三种模型。2.换道决策模型基于车道效用理论、伴随车辆影响与记忆效应提出Catboost换道决策模型,构建了包括车身状态、道路结构、周围车辆状态、道路效用特征在内的四类共25维特征,Catboost模型可以自动对其中类别特征进行交叉筛选。通过特征消融实验分析换道决策过程中的关键因素;对比不同输入序列时长下的模型精度,得到最优记忆窗口。在HighD数据集上进行测试,Catboost模型的Macro-F1达到88.7,与现有的LSTM、SVM、GBDT换道决策模型对比,在直行、左右换道的决策准确率上有明显提升。3.在线交通仿真引擎设计与实现结合交通数字孪生思想,设计实现了在线交通仿真引擎,对整体引擎架构、技术选型等进行详细说明,嵌入数据驱动的跟驰模型、换道决策模型,提升微观车辆模型精度,改善整体仿真效果,为下游应用决策提供有力支撑。