随着我国工业化和科学技术的稳步发展,过多的车辆给很多城市带来空气污染以及交通拥堵等诸多问题。此外,根据城市交通本身具有的性质,城市交通受事故、天气等很多不可控因素影响,这些因素导致很难对交通路网中的车辆进行路径诱导。在复杂的动态路网环境下,基于强化学习的路径诱导是一个有效的解决方案。本文分析了城市交通路径诱导的特征以及基于强化学习的路径诱导算法存在的不足,提出了一种基于深度强化学习的交通路径诱导算法,来改善交通拥堵状况提高交通路径诱导的效率,以期达到优于传统强化学习路径诱导的效果:首先,通过分析强化学习进行动态路径诱导时将整体交通路网环境状态作为强化学习状态所带来的高维度困难,结合深度学习刻画高维复杂状态的能力和拟合强化学习状态值函数的方式,提出了基于深度强化学习的路径诱导模型来实现对车辆的路径诱导。其次,针对深度强化学习的网络模型存在的过估计以及稳定性的问题,使用Double DQN解耦最优动作选择和状态值计算的能力,来解决传统DQN存在的过估计问题;使用Dueling网络将神经网络的输出Q值由价值函数和优势函数相加获得,来提高神经网络训练的稳定性,从而设计了基于混合网络的深度强化学习路径诱导模型,使用波兹曼概率选择策略,实现对交通路网中的车辆进行路径诱导。最后,本文通过与基于强化学习路径诱导算法进行对比,根据路网中的车辆数量以及车辆的平均行驶时间作为评价标准,验证了本文提出的基于深度强化学习路径诱导模型的有效性,可以进一步提高对交通路网中车辆的路径诱导的效果。