随着“十四五”序幕的拉开,“强富美高”新江苏建设取得重大成果,高水平全面建成小康社会取得决定性成就,即将开启全面建设社会主义现代化新征程。然而目前国际形势严峻,国内新冠肺炎疫情影响广泛深远,如何保证市场的稳定和人民群众的幸福感安全感,需要政府工作者们的不断努力。居民消费价格指数（CPI）作为衡量居民消费水平以及通货膨胀、紧缩的重要指标,对分析预测CPI有着深远的意义。本文在前人研究的基础上,以江苏省月度CPI同比数据为研究对象,探讨建立合适的分析预测模型。通过介绍传统的时间序列模型、BP神经网络模型和组合模型的一些理论知识,为实证分析打下基础。文章选择2006年1月至2020年12月的CPI月度数据作为训练样本,2021年1月至12月的数据作为检验样本。模型评价指标主要选择均方根误差（RMSE）和平均绝对百分比误差（MAPE）。首先,通过对训练样本进行平稳化处理、模型识别和参数估计等过程,初步确定几个合适的模型,再利用AIC准则筛选出最优模型,再进行相应的拟合预测。然后,利用同样的训练样本,在传统神经网络结构中加入动量项,多次学习训练后建立了BP神经网络模型。接着,建立组合模型。将CPI数据分解为线性和非线性两个部分分别进行处理。即对线性部分建立时间序列模型,对非线性部分即残差序列建立BP神经网络模型,最终得到了SARIMA-BP组合模型,两个模型的预测值相加即为组合模型的预测值。最后,在两种单一模型的基础上,建立基于权重系数法的组合模型,权重的计算方法包括:简单加权法、误差平方和倒数法、优势矩阵法、MAE和最小二乘权重系数法这四种。依次构建组合模型并进行预测,并计算各个模型的RMSE和MAPE值。综合建立的7种模型,分析比较后得出:BP神经网络模型与SARIMA模型相比,RMSE值由1.437降至0.380,MAPE值也有所下降,从0.0036降至0.0033。因此,BP神经网络模型优于SARIMA模型,但其短期预测能力不如SARIMA模型;各组合模型的RMSE和MAPE值均低于两个单一模型,说明组合模型能够一定程度上提高单一模型的精度,更能充分提取原始数据中的信息;不同的权重分配方法构建得到的组合模型预测精度也各不相同,其中效果最好的是基于MAE和最小二乘法构建的组合权重系数模型,RMSE值为0.199,MAPE值为0.0017,均为最小值。总的来看,对于诸如CPI这种具有线性和非线性两种特征的时间序列数据,组合模型分析要更优于单一模型分析,得出的结论也更具有参考意义。最后,利用最优模型对2022年1月至6月的江苏省CPI数据进行了预测。