居民消费价格指数是宏观经济中的一种极其重要的统计指标,尤其在度量通货膨胀程度和剔除核算国民生产总值中价格的影响、与汇率变动、PPI的关系等方面都具有较大的意义,其变化率也能够有效反映通货膨胀的程度.研究CPI的变化范围和波动趋势,能为政府部门把握经济市场形势,制定相关干预政策,提供了比较切实可行的依据.而CPI需要各个调查地点收集价格数据进行计算,因此它是一组具有时滞性的时序数据.同时根据CPI计算公式可以看到,价格所指的是社会产品和服务项目的最终价格,受到的影响因素数量众多,具有线性和非线性等性质,在预测精度的提升上存在一定的难度.传统的模型,比如ES,ARIMA、灰度模型以及BP神经网络模型等等,在根据CPI的某些数据特征进行预测上,有所优势,但是也存在不可避免的缺点,比如ARIMA、SARIMA对于预测非线性因素比重大的时间序列中,预测会出现较大的误差和局限性.对于CPI这类具有非平稳、非线性特征的金融时间序列,采用一定的技术,提取出序列的特征后输入模型预测,是能够突破预测精度瓶颈的明智方法,也是目前针对复杂的金融时间序列的走势预测采用的前沿手段.因此,文章将对已有的CPI预测方法进行适当改进,采用多种模型的有序组合的方法预测我国CPI,应用“先分解后组合”的思想,采用EEMD分解方法,提取CPI序列的特征,针对分解出现的子序列,将SARIMA和神经网络LSTM模型结合,有效地对子序列线性和非线性部分影响进行预测,构造混合模型,弥补单模型存在的缺点,提升预测精度.本文首先应用2001年1月到2019年11月的CPI数据进行单模型SAR][MA、LSTM神经网络模型的构建及预测,然后应用EEMD分解方法,将原CPI序列进行分解,得到若干个本征模函数和残差序列,将多个序列分别应用SARIMA、LSTM神经网络进行拟合预测,得到的每个序列的预测结果相加为CPI最终预测结果,并通过均方根误差和平均绝对百分比误差这两个数值大小综合比较各个模型预测结果的优劣,找到最好的CPI预测模型,即混合模型EEMD-SARIMA-LSTM的预测效果最好,并给出未来六个月该模型预测的CPI结果.实证结果表明,相比较单模型的预测,“先分解后组和”的思想构建的混合模型EEMD-SARIMA-LSTM对CPI预测有较高的精度,在一定程度上证实了混合模型在CPI分析预测领域方面有一定实用性,同时对政府部门把握经济市场形势,制定相关干预政策能够起到一定引导作用.