现有城市道路网络的通行量难以匹配汽车出行量的迅猛增长,这就导致城市交通拥堵事件频繁发生,严重影响人们的正常生活和工作。而不成熟的城市交通管理系统是产生交通拥堵问题的根源所在,因此构建高效智能的城市交通管理系统,解决城市交通拥堵问题迫在眉睫。城市道路交通状态识别和预测是建立智能交通管理系统的基础和前提,因此,本文对城市道路交通状态识别和预测进行深入研究,以期为构建智能交通系统提供理论支撑。依托长沙市岳麓大道城市微波检测器装置所采集的交通流基础参数——流量、速度和占有率,选用聚类分析算法中的K-means算法对其进行分类评价,构建以顺畅流、平稳流、拥挤流和堵塞流为评价指标的城市交通状态识别的基础数据集。在此基础之上,将遗传算法和支持向量机相结合,通过遗传算法优化支持向量机的惩罚系数和核函数,构建基于GA-SVM的城市交通状态识别模型,模型较SVM模型识别准确率更高,测试集识别准确率达到98.75%。基于短时交通流理论基础,采集北京市四环路局部路段的交通流数据。考虑短时交通流预测在时空相关性研究上少有关注,本文在短时交通流预测的时空相关性研究基础上,将遗传算法的全局搜索优势应用于支持向量回归机参数优化,解决支持向量回归机在预测时参数难以准确选取的难题,构建基于时空融合的GA-SVR短时交通流预测模型。分析研究早、中、晚三个时段交通流预测,并与传统SVR预测模型进行对比,基于时空GA-SVR模型的预测误差均相对稳定,泛化能力更强。通过均方误差、平均绝对误差、平均绝对百分比误差3个角度对两模型的预测结果与实际流量进行定量对比分析,发现基于时空融合的GA-SVR模型的预测精度更高。