采购经理人指数（Puchasing Managers’Index）简称PMI,指将企业采购经理的月度调查结果统计汇总、编制而成的综合指数,它涵盖企业采购、中间生产及最后销售各个环节,很好反映了一国制造业总体发展情况。它是一个国家经济发展状况的“晴雨表”,对一国经济发展状况具有较强的预测、预警作用,因此对PMI指数进行分析预测有着极为重要的现实意义。目前,对于PMI的研究更多聚焦于该指标与GDP、生产价格指数等其他经济指标之间的相关关系以及关联度,也有部分学者利用已有数据从经济学角度分析验证PMI对一国经济发展的预警作用。本文选取自2005年PMI指数开始公布至2021年年底的204组数据,尝试多种数学模型对其进行拟合,试图寻找精度最高的拟合模型,并期对后期的PMI进行合理预测。计量经济学中,宏观经济数据较多为带有自身规律的时间序列数据。传统的时间序列模型被广泛应用于研究该类数据的拟合与预测问题上。例如ARIMA模型拟合我国GDP趋势、GRACH模型拟合股票走势以及涨跌情况等。随着计算机行业的迅速发展,机器学习算法和神经网络模型被运用到研究宏观经济数据的领域中,利用神经网络或深度学习算法研究宏观时间序列数据,分析数据背后的线性和非线性规律,成为当下学术界研究的热点问题。鉴于PMI序列存在线性、非线性规律,含有较多的噪音,因此本文先使用集成模态分解（EEMD）将原始PMI数据分解为不同频率的本征模块函数（IMF）,再利用Fine-to-coarse对分解后的子序列进行高低频重组,产生代表不同实际含义的高低频数据序列。再将重构后的序列与原始序列以其作为输入分别输入神经网络中进行训练。循环神经网络（RNN）适用于时间序列的模拟预测问题,因此本文选取LSTM神经网络、GRU神经网络以及双向LSTM对处理后的组合序列进行模拟,同时训练过程中,选用Adam优化器,通过自适应改变参数权重进而提升模型的训练速度,寻找最适合拟合PMI的神经网络模型。本文考虑到单一模型存在一定的缺点,选用GIOWA算子对多组神经网络模型进行杂糅组合,寻找最优模型权重下的最优组合模型。期望对多个模型的优点进行组合,对PMI做出更加准确的预测。实证过程中,本文选取多个误差评价指标来验证组合模型的优势,对比多组模型的评价指标数值,结果表明:本文构建的EEMD-GIOWA-神经网络组合模型的预测效果优于单EEMD神经网络模型;在所构建的七个模型中可以找到拟合效果非常好且可以运用到未来短期预测的相对最优模型。同时本文实验使用Adam优化算法以及正则化对模型进行优化,使得模型的训练速度得以提升,有效解决了模型的过拟合问题。希望通过所构建的模型能对我国未来PMI进行合理预测,为消费者、企业以及宏观管理部门提供合理、科学性的数据参考。