针对社会消费品零售总额(total retail sales of consumer goods, TRSCG)月度预测中存在突变点情况下的样本外预测精度低等问题，本文构建了CEEMDAN-LSTM-Neural Prophet Net组合模型，开展了不同情景下的月度TRSCG样本外预测，并比较了该模型与Neural Prophet、BP Network等7种常用模型的预测精度。结果表明：深度学习模型表现出对非线性一般数据的良好适应能力， 其对数据的分类识别及组合预测效果俱佳；CEEMDAN-LSTM-Neural Prophet Net组合模型在有突变点的样本外预测中表现更佳，且该预测模型在不同国家的TRSCG、不同的预测指标及学习比例上均具有一定的稳健性。本文为存在突变点的时间序列分析和样本外预测提供了新思路。
