由于山东省居民消费价格指数（CPI）时间序列具有非线性和线性双重特征,预测其指数并不容易,传统的预测方法无法准确的预测居民消费价格指数。为了对CPI做出精准的预测,本文将生产价格指数（PPI）作为外生变量,使用带外生变量的季节性差分自回归移动平均（SARIMAX）模型。并将SARIMAX模型与基于集成经验模式分解（EEMD）下的长短时记忆网络（LSTM）模型混合,提出SARIAMX-EEMD-LSTM混合模型来进行CPI的预测。以山东省居民消费价格指数为例进行实证研究,验证了所提出的预测框架是可行的。与其他预测模型得出的预测结果相比,该框架显示出更好的精度。该混合模型可以为CPI相关政策的提出,提供更加切实可靠的理论支撑。本文为了统一检验不同模型对于CPI预测的优劣性,自始至终都应用2000年9月到2022年1月山东省月度同比的CPI数据。首先,本文分别用单一的SARIMA模型、SARIMAX模型和LSTM模型对数据进行了构建和预测。在借助Granger因果检验的前提之下,本文发现带有PPI这个外生变量下的SARIMAX模型预测效果最佳。然后对原始CPI序列与SARIMAX模型预测后得序列产生的残差进行分解,得到几个特征模态函数（IMF）和一个带有趋势项的残差序列。之后,将LSTM模型分别应用于每个序列中进行拟合预测,并将预测的结果序列进行求和运算得到整个残差的预测值,最后与SARIMAX模型的预测结果相结合,本文便得到最终的CPI预测结果。在文章的最后又通过比较误差的数值大小并且分析各个模型预测结果的优势和不足,得到了其他模型下的最佳CPI预测的混合模型,称为SARIMAX-EEMD-LSTM混合模型。最后,通过对SARIMAX-EEMD-LSTM的模型分析,在线性与非线性模型的基础上,提出了一种“分解-预测”的混合模型,其预测准确率明显提高。这一结论也从某种意义上证明了 SARIMAX-EEMD-LSTM混合模式在CPI分析与预测方面的应用。为山东省政府了解当前山东省经济形势,制定相应的经济政策提供理论依据。