评价（通常为标量信号），而不是告诉强化学习系统RLS如何去产生正确的动作。
RLS对外部环境提供的信息依赖很少，必须靠自身的经历进行学习。通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。例如冬奥会前夕，可以事先通过模拟演练和试错获得路网上的权函数策略，结合路网实际状况计算冬奥会期间最佳的诱导路径。
2.2 基于大数据的动态实时路径诱导决策分析
动态实时路径诱导决策分析是为路网中实时发生的重大突发事件[11]产生的，如：在交通事故、交通拥堵等对路网通行能力造成影响的情况下，基于上述大数据的动态实时路径诱导计算框架，可以构建事故下路网影响分析模型。
在高速公路交通中，交通事件影响分析是一类重要的决策分析类型。主要包括两类事件：一类是突发交通事件，比如交通事故、突发恶劣天气等;一类是交通管制、道路养护等主动干预事件或预期发生事件（如节假日的影响）[12]。通常采用历史类似事件数据统计分析方法或交通仿真方法对事件的影响进行分析[13]。通过影响分析，得到相关路段、时段的交通事件的影响评估，包括影响的范围、影响程度等。
发生交通事故时段的路网影响分析模型如图2所示。
在事故影响分析模型中，通过大数据平台采集流量、路况、气象、事故等，以形成各类交通事件。基于这些历史事件，大数据平台进行事件影响的初步分析，并结合当前和未来预测的断面流量数据进行分析，获得交通事件的影响数据。
根据上述突发事件影响分析模型输出受影响路段的通行能力和拥挤程度结果，包括：受影响路段拥堵长度、拥堵时长、流量、平均速度、上游入口匝道流量、平均速度等，与设置的是否触发处置措施的阈值
相比较，小于阈值则不做任何处理，大于或等于阈值则根据具体值域范围，触发启动对应的交通诱导分析流程，实现在线的实时路径诱导分析，并通过最优路径算法找出所有可行路径中的最优路径，自动生成诱导建议，以便能够在对高速运营产生尽量小的影响下及时进行合理路径的诱导来疏散交通流[14]。
示例：某路段发生事故造成拥堵情况下的动态路径诱导决策分析模型如图3所示。
同时结合受影响范围内的交通诱导牌、服务区等设备设施的可用性，分级预告突发事件，给即将进入事发路段的车辆提供绕行路径、告知信息等，减少突发事件的不良影响[15]。
3 大数据驱动下的动态路径诱导技术应用
基于大数据动态规划的路径诱导技术研究，针对不同出行者的出行需求綜合考虑费用、时间、距离、天气、车流量以及路况等因素，从提高整个路网的通行效率和出行体验为出发点，采用强化学习技术实现基于大数据的实时诱导路径最佳方案的动态选择，既保证了路网最大限度的有效利用和畅通，实现了路网经济效益的最大化，又使得管理部门在平衡路网交通流的前提下，为公众提供更为精准和实时的诱导路线，使智慧诱导下的主动服务以及智能化管理成为了可能。图4是采用基于大数据动态规划的路径诱导技术实现交通诱导决策支持系统的应用结果展示示例。
4 结 语
基于大数据动态规划的路径诱导技术，实现了交通诱导决策支持系统，为不同的出行者提供了实时诱导路径最佳方案的动态选择，既保证了路网最大限度的有效利用和畅通，又使路网的经济效益最大化，进一步提升了公路智能化和精细化的管理水平。
由于路段信息采集手段有限，数据不尽完善，数据采集密度及精准度有待提高，给出行的精准服务带来一定的困难，如何利用ETC使这些问题得到逐步改善和加强，将是以后的研究方向。随着国家交通强国战略的实施，以及交通主管部门智慧公路政策的逐步落地，引导司乘人员实现智慧出行，实现更加智能化和精细化的交通管理是大数据时代下智慧高速公路建设的主旋律。
参考文献/References：
[1] 李朝衍. 探讨智慧交通信息诱导系统的关键技术. 通讯世界， 2017（22）：54-55.
[2] 李强， 刘晓峰. 智慧交通信息诱导系统关键技术的研究. 电视技术， 2014， 38（21）：73-75.
LI Qiang， LIU Xiaofeng. Research on key technologies for intelligent transportation information induction system. Video Engineering， 2014， 38（21）：73-75.
[3] 杨朋飞. 基于综合交通诱导的智能公共交通信息服务系统研究[D]. 青岛：青岛科技大学，2009.
YANG Pengfei. Research Into the Information Service System for Intelligent Public Transportation Based on Integrated Traffic Guidance[D].Qingdao：Qingdao University of Science and Technology，2009.
[4] 崔倩倩. 一种基于众包地图的智能交通诱导数据模型及方案研究[D]. 北京：北京邮电大学， 2015.
CUI Qianqian. A Study on the Data Model and Scheme of Intelligent Traffic Guidance Based on Crowdsourcing Map[D].Beijing： Beijing University of Posts and Telecommunications，2015.
[5] KARPATY A， TODERICI G， SETTY S， et al. Large-scale video classification with convolutional neural networks[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Washington DC： IEEE， 2014：1725-1732.
[6] SZEGEDY C， LIU W， IA Y Q， et al. Going deeper with convolutions[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Boston： IEEE， 2015：7298594.
[7] van ASSELT ， GUEZ A， SILVER D. Deep reinforcement learning with double Q-learning. Computer Science， 2015：1509.06461v3.
[8] 王少华， 卢浩， 黄骞， 等. 智慧交通系统关键技术研究. 测绘与空间地理信息， 2013（sup）：88-91.
WANG Shaohua， LU ao， UANG Qian，et al. Research on key technologies for smart transportation systems. Geomatics & Spatial Information Technology， 2013（sup）：88-91.
[9] DUAN Yan， CEN Xi， OUTOOFT R， et al. Benchmarking deep reinforcement learning for continuous control[C]//Proceedings of the 33rd International Conference on International Conference on Machine Learning. New York：[s.n.]， 2016：1329-1338.
[10]苑宇坤， 張宇， 魏坦勇， 等. 智慧交通关键技术及应用综述. 电子技术应用， 2015，41（8）：9-12.
YUAN Yukun， ZANG Yu， WEI Tanyong， et al. Review of key technologies and applications of intelligent transportation.Application of Electronic Technique， 2015，41（8）：9-12.
[11]王涤宇， 付超贤. 交通2.0——智慧交通的关键. 中兴通讯技术， 2014， 20（4）：11-15.
WANG Diyu， FU Chaoxian. Transport 2.0： The key to smart transport. ZTE Technology ournal， 2014， 20（4）：11-15.
[12]韩直， 关雨嫣. 智慧交通构建研究. 公路交通技术， 2018， 34（6）：114-117.
AN Zhi， GUAN Yuyan. Research on intelligent transportation construction. Technology of ighway and Transport， 2018， 34（6）：114-117.
[13]陈宇轩， 王晓丹， 吕秋平. AI改变传统驾驶，智慧交通离我们还有多远？[EB/OL]. http：///qykj/rgzn/201711/t20171123_284175.shtml，2017-11-23.
[14]蓝志军. 关于智慧交通系统的设计方法分析. 明日风尚， 2016（23）：17.
[15]张智鸿. 智慧交通中大数据应用面临的挑战与对策研究. 智能城市， 2018（9）：104-105.