Στόχος της έρευνας είναι η ανάπτυξη πιο αξιόπιστων μικροσκοπικών κυκλοφοριακών προτύπων. Αναπτύσσεται μια ολοκληρωμένη μεθοδολογία για την εκτίμηση προτύπων κυκλοφοριακής προσομοίωσης με τη χρήση καινοτόμων και ευέλικτων μεθόδων μηχανικής μάθησης, όπως η ταξινόμηση, η ομαδοποίηση, η τοπικά σταθμισμένη παλινδρόμηση (loess), οι καμπύλες splines, οι Gaussian διαδικασίες, οι διανυσματικές μηχανές υποστήριξης και τα νευρωνικά δίκτυα. Τα δεδομένα που χρησιμοποιήθηκαν στην έρευνα αυτή περιλαμβάνουν δεδομένα από τρεις διαφορετικές πηγές, δεδομένα από τη Νάπολη, τα NGSIM δεδομένα και δεδομένα από την Ινδία. Δίνεται έμφαση στα πρότυπα ακολουθίας οχημάτων και για τα ίδια δεδομένα εφαρμόζεται το μοντέλο του Gipps, ένα γνωστό μοντέλο ακολουθίας οχημάτων που χρησιμοποιείται ως μοντέλο αναφοράς στην παρούσα έρευνα. Επειδή πολλοί παράγοντες επηρεάζουν τη συμπεριφορά του οδηγού, εξετάζεται κατά πόσο βελτιώνεται το μοντέλο ενσωματώνοντας περισσότερες μεταβλητές. Επιπλέον, εξετάζεται η δυναμική βαθμονόμηση κυκλοφοριακών προτύπων λαμβάνοντας υπόψη τη δυναμική μεταβολή των παραμέτρων για κάθε οδηγό, στον χρόνο και το χώρο. Οι παράμετροι μεταβάλλονται σε έναν κυλιόμενο χρονικό ορίζοντα και επιτυγχάνεται πρόβλεψη της ταχύτητας έως 10% για δέκα βήματα στο μέλλον. Διερευνάται η χρήση μοντέλων καθοδηγούμενων από τα δεδομένα σε συνθήκες μεικτής κυκλοφορίας χωρίς τήρηση των λωρίδων κυκλοφορίας και με μεγάλη ποικιλία ως προς τον τύπο των οχημάτων, κοινά χαρακτηριστικά των αναπτυσσόμενων χωρών. Αν και τα κλασσικά πρότυπα ακολουθίας οχημάτων είναι θεωρητικά τεκμηριωμένα, τα πρότυπα βασισμένα σε δεδομένα προσφέρουν μεγαλύτερη ευελιξία και επιτρέπουν την εύκολη ενσωμάτωση νέων μεταβλητών. Τα αποτελέσματα υποδεικνύουν ότι τα πρότυπα που βασίζονται σε δεδομένα μπορούν να συμβάλλουν στην εκτίμηση πιο αξιόπιστων μικροσκοπικών προτύπων.