居民消费价格指数（CPI）经常被用来衡量居民的消费水平和生活成本,与每个人的密切联系。该指标不仅可以呈现居民日常生活消费的价格变动,渗透进居民生活的方方面面,还在一定程度上展现了通货膨胀的速率。正因如此,它为国家在制定经济政策和进行宏观调控时提供参考和抓手,这意味着对于国民经济而言,居民消费价格指数至关重要。因此,构建一个稳定且准确的CPI预测模型对公众和研究学者都具有重要的意义。为实现对我国CPI数据进行预测的目的,有效的预测模型必不可少,作为时间序列数据,有许多研究人员将不同的时间序列预测模型应用于CPI预测,除了经典的时间序列预测,在宏观经济预测领域中也逐渐出现了机器学习算法的身影,例如神经网络,支持向量机等。但受限于应用场景和限制条件,有时也会出现预测结果不稳定的问题,导致不能充分挖掘数据所包含的信息,通过组合预测的方法可以很好的解决这类问题。本文选择我国月度CPI数据作为建模对象建立组合预测模型,数据集包含全国CPI的月度数据,时间范围从2000年1月至2019年12月。首先,分别建立ARIMA（求和自回归移动平均）、BP神经网络和粒子群优化后的支持向量机模型对数据进行预测,以此构建组合模型的基础。随后,在已经建立的三个单一预测模型基础上建立组合模型,与许多文献不同,本文提出三种不同的权重设定方法,包括等权重法、预测误差平方和倒数法和通过遗传算法优化权重的方法。顾名思义,等权重法将多个独立模型的权重等分,各模型权重加和后为1;预测误差平方和倒数法是利用预测误差信息分配权重的一种方式,各单一预测模型的权重就是各自预测误差平方和的倒数;与上述两种模型的规则不同,遗传算法的核心在于力求最小化平均绝对百分比误差,据此为单一模型分配最优加权系数。为对三种组合预测模型的表现进行合理有效的评估,本文以预测相对误差为标准,将各组合模型的表现与三个单一预测模型对比,并将各个组合模型之间的效果也进行对比。最后,通过实证分析发现,相对于单一预测模型,组合预测模型的表现更加稳定。同时,在对三种不同权重设定下的组合预测模型进行横向比较时,无论是在预测误差上还是预测精度上,通过遗传算法优化组合权重的方法都具有更好的效果。