居民消费价格指数（CPI）与我国居民日常生活息息相关,反映着国家宏观经济的运行情况,为宏观调控提供参考,对CPI进行准确的预测十分重要。但CPI具有滞后性和非线性时序特征,准确预测难度较高,对CPI的预测研究也成为了难点和热点。CPI预测的方法层面,时间序列等线形模型已经得到广泛应用并取得了一定的研究成果,而随着机器学习和深度学习方法的兴起,非线性的预测模型开始进入研究者的视野。LSTM模型更是因其具有长短期记忆性和良好的学习能力,在预测方面极具优势。CPI预测的数据选取方面,传统的宏观经济变量来源于政府发布,具有时滞性。以百度指数为代表的网络搜索数据可以反映出某一关键词在互联网上搜索的规模和在网民中的关注度,从而映射出消费者的行为和宏观经济情况,体现在商品价格之中。利用网络搜索指数包含的海量、高频信息可以更好地对CPI进行预测。因此本文使用网络搜索数据和LSTM模型对CPI进行预测,从四个方面对研究进行展开。首先对商品价格的影响因素进行分析,从供求关系和宏观因素影响角度构建网络搜索行为与CPI的关联框架,说明使用网络搜索数据预测CPI的可行性。第二部分阐述了与CPI相关的网络搜索关键词库的构建方法以及百度指数数据的获取和处理。根据文献参考和CPI的影响元素、编制方法得到网络搜索种子关键词,再使用需求图谱法和word2vec等文本挖掘方法获取扩展关键词,构建关键词库。得到关键词库后,获取关键词的百度指数日数据,在进行缺失值、异常值处理和去时间趋势处理后,将日数据转变为月数据与CPI月度数据对应。网络搜索数据月度值和CPI月度数据即为用于建模的数据。第三部分,利用TVP-VAR双变量模型探究网络搜索指数对CPI的影响关系,识别各变量对CPI的时变影响大小及滞后性,为模型选择及时间步长参数的设定提供依据。第四部分,通过构建LSTM模型,对CPI进行预测,并通过SHAP方法对变量重要性进行分析,对LSTM模型的可解释性进行探索。在月度预测模型的基础上,用三次样条法将月度数据扩展为旬度数据,建立旬度预测模型。本文的主要研究结论和成果为:第一,本文基于CPI的编制原则和理论经验法确定了预测的种子关键词,在种子关键词的基础上通过文本挖掘技术和需求图谱技术拓展关键词库,在种子关键词的基础上关键词数量扩展了近两倍。且扩展出的关键词与CPI有较强相关关系,能够对预测起到积极作用。第二,使用TVP-VAR模型对网络搜索指数与CPI的影响关系进行探究,结果表明,绝大部分网络搜索指数对CPI有正向持续的显著影响,该影响在滞后6个月时最为显著。第三,将LSTM模型用于CPI的预测,取得了较好的效果。LSTM模型的预测精度,明显优于lasso回归、弹性网络、随机森林、极致梯度提升、梯度提升回归树、支持向量机、BP神经网络7种模型,能有效解决非线性时间序列的预测问题。通过SHAP模型对各特征的重要性进行分析,发现CPI、猪肉和物价上涨的搜索热度对模型的预测较为重要,且有正向影响。通过三次样条抽样扩充数据后建立的旬度CPI预测模型在充分利用高频数据的基础上,能够实现较好拟合。综上所述,本文采用网络搜索数据和LSTM模型预测CPI,丰富了网络数据和深度学习方法在宏观经济研究中的应用。通过文本挖掘法有效拓展了网络搜索指数关键词库,使用TVP-VAR模型分析了网络搜索指数与宏观经济变量的影响关系,基于SHAP模型分析了影响CPI的重要变量,建立了较为精确的LSTM预测模型,对CPI的预测体系进行了补充,为宏观经济调控提供参考。