本项目来源于导师与北京嘀嘀无限科技发展有限公司（简称滴滴出行）的校企合作项目,用于解决GNSS（Global Navigation Satellite System,全球导航卫星系统）拒止环境中手机无法定位车辆位置问题。自GNSS诞生以来,如美国的全球定位系统（Global Positioning System,GPS）和中国的北斗卫星导航系统（Bei Dou Navigation Satellite System,BSD）,一直是车载定位的主要选择。但在城市峡谷、隧道等场景,卫星信号被反射引起巨大伪距误差或信号不可接收,造成定位漂移或无法定位问题。为了解决定位失败问题,通常采用惯性导航,其基本原理是航位推算（Dead Reckoning,DR）。惯性导航技术利用惯性测量单元（Inertial Measurement Unit,IMU）,通常包含三轴陀螺仪和三轴加速度计,采集的惯性数据进行姿态解算与速度积分,从而得到相对位置变化。传统算法虽然理论性强,但也存在不少缺点。首先,它要求手机与车辆相对固联且提前有三分钟的惯性数据输入,才能确保解算的姿态信息较为准确。其次,传统算法定位误差大,误差积累严重。另外,滴滴出行作为国内最大的出行平台,虽然每日能够生产海量出行数据,但传统算法无法利用大数据的优势。本文提出了一种基于时间卷积网络（Temporal Convolutional Networks,TCN）的车辆位置追踪模型。模型以手机IMU的特征值以及车辆初始速度与方向作为输入,以速度、方向变化量作为输出。本文的贡献有三点:一是提出了一种基于手机惯性数据的深度学习追踪模型,用于代替传统航推算算法,延缓了惯性误差积累。二是基于Smooth L1Loss设计了损失函数,分别从多任务学习与时间序列预测两个角度出发,进一步提高了定位精度。三是离线验证了单一用户短时数据训练个性化模型的可行性,并利用隧道场景中采集的惯性数据对模型进行了隧道场景迁移。本文通过众测数据对模型进行训练和测试,采用平均绝对误差（Mean Absolute Error,MAE）和误差分位数评估模型效果;并使用真实卡顿数据离线完成模型的业务指标评估。整个项目使用的数据集的累计采样时长超过2200小时,累计里程超过125万千米,涉及区域覆盖全国15座主要城市。截止2020年底,模型在滴滴出行平台的部署设备量超过715万台,单日模型推理次数超过360亿次。