居民消费价格指数（CPI）通常用来度量生活成本,是度量居民生活消费品和服务价格水平随时间变动的相对数,不仅影响到政府的物价、薪资、财政、货币、消费、社会保障的政策,而且与我们得生活密不可分。同时,居民消费价格指数是一个综合指标,可以反映出社会的经济现象,其波动率在一定程度上反映了通货膨胀或紧缩的程度,而且居民消费价格指数的高低也间接影响资本市场（如股票市场、期货市场、资本市场、金融市场）的变化。因此准确预测居民消费价格指数,建立一个可靠、准确的预测模型,对政策制定者、研究学者以及普通民众都有重大意义。目前对于居民消费价格指数的预测大多采用的是时间序列预测模型以及单一的神经网络模型,虽然取得了不错的效果,但仍然存在着诸多问题,比如模型稳定性不高、预测误差会随着时间不断增大、在数据序列波动剧烈的情况下无法得到准确结论,预测精度有很大的上升空间。随着社会科技不断发展,人工智能的广泛应用,各领域学者研究并开创了各种有效的方法,并将其运用到时间序列数据的预测中来,比如数据预处理方法、优化算法以及各种性能更好的神经网络模型,大量实验证明了此类方法的有效性,同时在对不同领域的时间序列数据进行预测的过程中发现,往往组合模型的预测效果要优于单一模型,而在居民消费价格指数的预测领域中,此类组合模型应用较少,同时在现有的相关文章中发现模型的预测效果并不好,因此本文旨在将一种全新的组合模型应用到居民消费价格指数的预测中来达到更好的预测效果。为了获得更稳定,更精确的预测结果,本文提出了一种基于LSTM的组合模型CEEMDAN-GWO-LSTM用来预测月度居民消费价格指数,其中自适应白噪声的完全集合经验模态分解（CEEMDAN）为数据预处理方法,用来将复杂的时间序列进行分解去噪,灰狼优化算法（GWO）为群智能优化算法,用来优化神经网络中的参数,同时利用记忆性更强,效果更好的长短时记忆网络（LSTM）用于预测。为了证明本文使用的组合模型的优越性,引入包括传统统计模型与其他混合模型在内共十一个模型进行三组对比实验,从不同角度来验证组合方法的预测准确性,同时为了说明模型的泛化性、稳定性,本文根据不同城市选取了四组样本,分别对四组不同样本1990年1月到2020年4月的CPI数据进行预测研究,结果表明相对于传统时间序列模型,神经网络模型预测效果更好,相比于单一神经网络模型,模型混合模型的预测效果更好,在所有模型中本文使用的CEEMDAN-GWO-LSTM模型表现最好,获得了较为理想的精度,该模型可更好的应用到居民消费价格指数的预测研究中。本文的创新点主要体现在:首先,引入了一种强有力的数据预处理算法,CEEMDAN算法的引入使得整体的预测精度有了大幅度提升。其次,合理严谨的评价指标的引入以及多样本的引入不仅说明了模型的泛化能力,也进一步说明了结果的正确性。最后,本文提出了一种新颖的组合模型,通过大量的对比实验最后证明了模型的有效性。