由于居民消费价格指数(CPI)是反映居民生活有关的消费品以及服务价格水平变动情况的重要宏观经济指标,所以及时准确地预测主要宏观经济指标是政府作出正确决策的必要条件,也是指导相关企业进行长期投资发展和战略决策的依据。鉴于宏观经济政策在制定和发挥作用过程中存在时滞性,并且经济政策制定者所掌握的宏观经济时间序列数据整理方法被不断的调整,最终数据的时效性和有效性难以保障。因此搜寻及时海量的数据源,辅助政府部门更准确的预测居民消费价格指数,是对我国传统CPI预测方法的补充、修正以及完善。由此可见,对利用网络大数据辅助预测CPI的研究更有意义。论文首先对传统的居民消费价格指数预测模型进行了整理研究,简要阐述了传统模型的局限性。然后从货币市场和商品市场角度分析了影响价格波动的因素,以均衡价格理论为基础,通过多种计量方法,初步发现了网络搜索数据与CPI之间存在一定的联系。根据百度指数搜索量发现相关关键词先行于CPI波动。其次,论文为简化指标集和提高模型实用性,在对CPI月度同比数据进行季节调整的基础上,运用贝叶斯网络对关键词实行了降维处理,进而构造具有预测作用的宏观微观指数。利用多元混频回归模型,以及Beta-权重函数充分挖掘了与CPI指数波动规律相关的数据信息,对CPI进行了预测。论文的创新点主要表现在以下两个方面:第一,运用贝叶斯网络方法对预测CPI的先行指标进行数据预处理,分别合成了宏观、微观指数。第二,从宏观经济形势和微观需求两个视角引入高频搜索量数据,将含关键词搜索量合成指数的M-MIDAS-AR模型应用于CPI的预测分析,发现引入高频网络搜索数据的预测模型相较于传统回归模型对CPI的拟合效果和预测精度上均有比较优势。这种方法可以对我国居民消费价格指数进行实时预报和及时预测。