随着城市交通系统的日益复杂,交通运行的状态已成为各城市面临的重要问题,而日益严重的交通拥堵产生对出行带来不便。本文正是以城市交通状态和交通拥堵为研究对象,结合数字孪生技术深入研究了交通状态进行预测模型和交通拥堵控制方法,主要工作与贡献如下:（1）针对城市交通状态预测问题,提出了一种基于改进粒子群（Improved Particle Swarm Optimization,IPSO）优化径向基函数（Radial Basis Function,RBF）和长短期记忆网络（Long Short-Term Memory,LSTM）/支持向量机（Support Vector Machines,SVM）特征融合模型的交通状态预测方法。该方法结合交通特性,利用了特征工程思想确定影响未来交通状态的因素,使用IPSO-RBF模型对交通流参数进行时空特征提取,引入LSTM对交通拥堵状态时序特征进行有效提取,将提取后的特征进行融合输入到SVM中,对交通状态进行分类预测。基于沈阳站区域交通数据开展实验并与其他算法进行对比,验证了本文基于IPSO-RBF和LSTM/SVM特征融合模型的优越性。（2）针对城市交通拥堵问题,提出了一种基于流量分配的拥堵路段控制方法。首先根据交通拥堵特性,对影响交通拥堵的因素进行分析;然后利用道路通行能力判断和车辆安全排队系数的方法,对道路剩余容量进行计算,对未来的存在拥堵情况的路段进行车流量合理分配的处理,完成对拥堵路段的有效诱导;最后通过VISSIM进行仿真并和其他交通控制方案进行对比实验,验证了本文拥堵路段优化方法的优越性。（3）为提高城市智能交通拥堵预测与控制的有效性,本文引入了数字孪生技术,将基于IPSO-RBF和LSTM/SVM特征融合的交通状态预测模型和基于流量分配的拥堵路段控制方法进行结合,设计了数字孪生交通拥堵预测与控制系统。该系统主要包括信息登录系统、交通快速建模模块、交通预测管理模块、交通控制管理模块。通过采集沈阳市沈阳站部分区域实际交通历史数据对系统进行案例应用,验证了本文利用数字孪生技术在交通拥堵预测与控制方面的应用性和可行性。