随着现代数据收集及贮存技术的迅速发展,研究者收集数据的方法和获取的资料形式正在发生较大的变化。许多领域收集的样本资料本身就以函数图像的形式呈现,一些样本数据虽然在形式上不表现为函数类型的图像,但随着时间的改变,收集的观察数据也会显示出函数的特性。函数型数据的产生过程是一个函数过程,函数型数据分析以函数型数据为研究对象,其基本思想是将观察到的数据看成一个整体。由于公共自行车需求量具有随时间变动的规律性,比如每天的需求量数据连续变动并且形成波峰和波谷,因此可以将其看成函数型数据。本文基于现有函数型聚类方法的局限,针对异常值影响k-means方法聚类中心选取的问题,在计算聚类中心的过程中加入了一种以函数型数据的波段深度为基础的权重,改进了聚类中心的计算方法,由此提出了一种能够有效降低异常值对函数型数据影响的k-means聚类方法。为验证该方法的有效性,本文首先通过随机模拟的几组含有不同种类异常值情况的函数型数据,对比了新方法与传统聚类方法的效果。其次根据公共自行车需求量数据的特点,把需求量数据视为函数型数据,从而将函数型数据分析方法引入公共自行车需求的研究领域。实证分析中,以Capital Bikeshare自行车系统的借车记录数据为例,结合天气情况数据和节假日安排数据,通过基于波段深度的函数型k-means聚类法对自行车需求量的波动规律及分布情况进行了分析,并改进了原始预测模型的效果,在车辆安排方面给公共自行车系统提出了决策支持。