Este documento propone un modelo de red neuronal conjunta para imitar los comportamientos de cambio de carril. Específicamente, el proceso de toma de decisiones para el cambio de carril se captura mediante una red neuronal probabilística (PNN) y el proceso de toma de decisiones para el cambio de carril se aprende a través de una red neuronal de retropropagación (BPNN). El vínculo entre las dos redes neuronales es el espacio objetivo para el cambio de carril. Después de probar y calibrar el modelo de red neuronal conjunta, se diseñan experimentos de simulación para estudiar el flujo de tráfico heterogéneo en un embotellamiento de salida. Se realizan simulaciones numéricas en varios escenarios de tráfico con diferentes tasas de penetración de mercado (MPR) de vehículos inteligentes (IV) y proporciones de vehículos de salida. Finalmente, se evalúa el rendimiento de los flujos heterogéneos desde las perspectivas de velocidad media, capacidad de la carretera y seguridad. Los resultados muestran que la red neuronal conjunta puede predecir con precisión los tipos de espacio elegidos para los cambios de carril y la trayectoria de los vehículos durante el cambio de carril. Para el sistema de tráfico, la capacidad de la carretera obtiene el valor más bajo cuando la MPR de los IV es del 50%. Además, los movimientos frecuentes de cambio de carril aguas arriba del embotellamiento de salida determinan las áreas de mayor riesgo. Sin embargo, cuando la MPR de los IV supera el 80% o la proporción de vehículos de salida es inferior al 15%, tanto la eficiencia del tráfico como la seguridad pueden mejorarse significativamente. Este trabajo proporciona algunas ideas sobre la aplicación de algoritmos de aprendizaje automático en la modelización del flujo de tráfico y realiza un análisis cuantitativo sobre el impacto de parámetros clave en los sistemas de tráfico. Los hallazgos de este trabajo pueden apoyar la gestión y operación de sistemas de autopistas automatizadas en el futuro.