消费者物价指数（Consumer Price Index,简称为CPI）又叫居民消费价格指数,它在编制中,计算了中国城镇居民和农村居民日常消费中的食物、衣着、住房、生活品与服务、交通与通讯、教育和文娱、医药以及其他的生活必需品和服务项目共八个大类别、二百六十二个基本小类的价格,体现了我国城乡居民家庭中所购买的消费品与服务价格变化情况的经济指数,它是一种商品或一种服务项目的价格在一段特定的时间内随着时间而变化的相对数,并且居民消费价格指数调查的是这种商品或者这种服务项目的最终交易价格。CPI的对各国都尤为关键,首先,它和人民的经济生活水平联系十分紧密;其次,它在中国宏观经济系统中的地位无以撼动;再次,它是进行当前中国宏观经济制度研究和对策、市场物价水平管理与调控以及对国民经济考核的重要参考;最后,CPI在度量通胀、国民经济核算、价格契约指数性调节、反映市场货币需求水平和反映工人实际工资水平等领域具有重大的作用。此外自从2020年以来,全球都在饱受新冠疫情的影响,导致全球商品价格波动明显,经济发展滞慢,新一轮的通货膨胀随之而来。因此,预测未来的CPI成为了一个十分紧迫与重要的研究课题,以此来做到对物价波动的实时监督。为此,国内外的学者开展了诸多预测CPI的课题,并且提出了许多预测CPI的方法,但是,目前以往大多数国内外的学者对CPI的预测的方法或者是模型都比较单一,基本都是对CPI的序列直接进行预测,并未分析CPI内在的特点。为了能够解决上述问题,本文通过梳理之前学者们对CPI的研究文献,研究了 CPI的本身特征和各种神经网络的预测特点,并且使用了优化方法优化神经网络,创新性地提出了一种新的预测时间序列的组合神经网络模型。首先,从城市同比居民消费价格指数和农村同比居民消费价格指数出发,使用完全集合经验模态分解（CEEMD）对城市CPI和农村CPI进行分解,得到7个本征模函数,以此来消除随机扰动项对CPI的影响,得到目标函数,然后使用改进的粒子群优化的Elman神经网络对城市CPI和农村CPI的目标函数进行预测,最后加权得到预测全国CPI指数。本文使用传统损失函数MSE、MAE、MAPE和MSPE作为评价指标,并且使用Diebold Mariano检验（后文简称DM检验）,将组合模型与Back Propagation模型、Elman模型和粒子群优化的Elman模型做了比较,验证本文所提出的模型误差更小。除此之外,本文还使用城市环比CPI和农村环比CPI来结合同比数据进行实验,以此来得到更高精度的居民消费价格指数的预测结果。实验结果表明,基于全国CPI同比与环比序列,使用CEEMD-IPSO-Elman神经网络组合模型的MSE、MAE、MAPE和MSPE分别为0.1654、0.3129、0.6071和0.2011,相比其他模型均达到了更好的预测效果;基于城市农村CPI同比与环比序列使用CEEMD-IPSO-Elman神经网络组合模型的MSE、MAE、MAPE和MSPE分别为0.1512、0.2960、0.5836和0.1993,相比于其他模型和使用全国CPI同比和环比序列都达到了最好的预测结果。并且通过DM检验,进一步验证了本文提出的组合预测模型的优越性。因此,可以说本文所构建的基于CEEMD-IPSO-Elman神经网络组合模型对CPI的预测达到了更高的预测性能,具有充分的理论意义与现实意义。其一,本文采用“农村+城市”先分解在组合的预测方式,此方法打破了农村和城市对全国CPI的影响不明确的局限,使得预测结果更加吻合原始的全国CPI。其二,以往使用粒子群优化算法时,其搜索的惯性权数都是一个固定数值,这就会导致粒子在寻优过程中就会固化其自己的搜索的速度与精度,导致其速度与精度的矛盾,当速度过快时,其搜索的精度就会有所下降,可能导致其遗失下一个局部最优值,从而导致丧失全局最优;当速度过慢,就会增加搜索时间,增加徒劳的工作量。本文尝试使用新的滑动惯性权数,在提升局部搜索精度的同时还满足了增快全局的搜索速度的要求,解决了粒子群搜索固化的问题,提出了一种滑动搜索权重的方法先将粒子群算法优化,然后将此优化方法带入到Elman神经网络。此外,本文也有一些不足需要改进:本文假设了原始城市CPI、原始农村CPI和原始CPI序列之间只有权数关系,没有更进一步的研究三者之间的其他函数关系。