普通公路是我国道路网的重要组成部分,合理的限速有利于提高普通公路的效率和安全,本文通过对济南市22条普通公路的76个道路断面进行调查,获取了不同道路断面的道路等级、车道数、有无护栏、有无非机动车道、单车道宽度、交通量、车速等数据,针对普通公路各类运行速度影响因素进行系统分析,以运行效率和安全为目标,建立普通公路运行速度预测模型,搭建普通公路限速值预测系统,并构建普通公路速度管理体系。首先对运行速度和影响因素的样本进行处理,分析了运行速度的时间和空间分布特征,发现同一道路断面不同时间段、相同道路不同路段的运行速度有较大差异,但是有类似的变化规律,均是在早高峰和晚高峰期间运行速度有较大的降低。通过构建影响因素与运行速度之间的散点图,发现道路等级、车道数、道路线形、单车道宽度、有无非机动车道、路面状况、横向干扰源、路侧用地性质、有无护栏、天气、交通量、饱和度和大型车比例等因素都对运行速度的大小有影响。分析了各种影响因素与运行速度之间的线性相关性,发现各因素与运行速度线性相关度很低,因此采用多元线性回归并不适合,需要寻找适合分类变量建模的多元非线性模型。以运行速度的各类影响因素作为自变量,分别以10km/h和5km/h对运行速度进行分组作为因变量,分析了变量之间的相关性,采用向前逐步回归法将自变量带入模型,其中自变量中的设计速度、单车道宽度、道路线形、有无非机动车道、横向干扰等因素成功带入模型,分别建立了多元有序Logit运行速度预测模型Ⅰ和模型Ⅱ。两个模型中的各变量的显著性均小于0.05,平行性检验显著性大于0.05,模型通过检验。对回归结果进行了分析,并将参数估计值带入模型得到了多元有序Logit运行速度预测模型方程形式。得到设计速度和单车道宽度的提升对运行速度的增加有积极影响,道路线形、非机动车道和横向干扰因素对运行速度产生消极影响。多元有序Logit模型只是得到了各种影响因素对运行速度的影响方向和影响大小,在没有运行速度实测值的情况下不能直接通过模型得到运行速度预测值。为了能够直接通过各种影响因素得到运行速度值,还可以考虑运用深度学习的方法对运行速度进行预测。首先搭建了BP神经网络结构模型,并且对隐藏层数、神经元数目、激励函数、学习率和迭代步数等参数进行了标定。采用验证集数据对神经网络进行训练,得到0.85的训练准确度和0.22的训练损失值。并采用测试集数据对现有的神经网络结构进行测试,得到测试集的准确度为0.83。为了便于日常应用,克服模型使用不便的缺点,以机器学习为关键技术搭建了普通公路限速值预测系统,将处理好的各类影响因素数据输入到普通公路限速值预测系统中,就可以输出限速值和执法速度。基于普通公路限速值预测系统构建了具有反馈机制并可以实时修正限速值的速度管理体系。提出了针对普通公路的限速标志的设置方法和限速辅助策略,对学校区域和有集会的路段提出了分时段限速的限速方法。采用济南某一级公路的数据进行了限速案例的应用,成功得到了该一级公路上各个道路断面的限速值和执法速度。