针对出行需求演化的复杂性，本文首先将票价优化过程视为agent在复杂环境下通过不断探索获得最优价格的学习过程。其次，引入深度强化学习算法，利用价值函数神经网络拟合反应函数的出行需求（环境）和票价制定（行动），在不同交通方式之间的博弈过程中，通过对票价调整行动的奖惩训练来达到决策目标。然后，针对群体出行决策的复杂性，基于logit模型、累积前景理论和Bush　Mosteller模型，设计了三种从简单到复杂的出行需求演化场景。最后，以真实场景中地铁与公交车之间的票价博弈为例，通过数值模拟考察该方法的有效性。研究发现：（1）深度强化学习算法在感知出行需求演化复杂性的过程中，具有很好的描述票价弹性的能力。（2） 深度强化学习算法可以为复杂的出行需求提供合理稳定的价格方案。优化地铁（公交）票价后，地铁（公交）利润和不同出行需求模式下各出行模式的整体利润都能显著提高。