This study investigates the key factors influencing Swedish inflation and employs a Long Short-Term Memory (LSTM) based machine learning model to identify the most contributing factors through prediction. Using data from Swedish National Bureau of Statistics, the research focuses on aspects such as state finances, demand, supply and expectations. The LSTM based model was chosen for its ability to handle sequence data and long-term dependencies, making it suitable for economic forecasting. Monthly data from 2000 to 2023 were collected and normalized to ensure consistency. The LSTM based model was trained and validated using different configurations. The most accurate predictions were achieved using seven factors: previous inflation, money supply, GDP, national debt, exchange rates (Euro and Dollar), and capacity utilization, yielding a Mean Absolute Error (MAE) of 0.0491. Remarkably, even with just three factors (previous inflation, money supply, and GDP), the model maintained a high predictive accuracy with an MAE of 0.0515. The findings provide valuable insights for policymakers, particularly the Riksbank and the Swedish Government. Identifying the primary drivers of inflation supports more informed decision-making and proactive measures to stabilize the economy. Furthermore, this research aligns with global development goals by promoting sustainable economic growth and innovation through better financial planning and resource allocation.

Denna studie undersöker bidragande faktorer som påverkar svensk inflation och använder en Long Short-Term Memory (LSTM)-baserad maskininlärningsmodell för att identifiera dessa faktorer genom prediktion. Data från Statistiska centralbyrån används, med fokus på aspekter som statsfinanser, utbud, efterfrågan förväntningar. Den LSTM-baserade modellen valdes för dess förmåga att hantera sekvensdata och långsiktiga beroenden, vilket gör den lämplig för ekonomiska prognoser. Månadsdata från 2000 till 2023 samlades in och normaliserades. Den LSTM-baserade modellen tränades och validerades med olika konfigurationer. De mest exakta prediktionerna uppnåddes med sju faktorer: tidigare inflation, penningmängd, BNP, statsskuld, valutakurser (Euro och Dollar) och kapacitetsutnyttjande, vilket gav ett medelabsolutfel (MAE) på 0,0594. Även med bara tre faktorer (tidigare inflation, penningmängd och BNP) upprätthöll modellen hög prediktiv noggrannhet med ett MAE på 0,0491. Resultaten ger värdefulla insikter för beslutsfattare, särskilt Sveriges Riksbank och Sveriges regering. Att identifiera de primära drivkrafterna bakom inflationen stödjer mer informerade beslut och proaktiva åtgärder för att stabilisera ekonomin. Vidare främjar denna forskning hållbar ekonomisk tillväxt och innovation genom bättre finansiell planering och resursallokering, i linje med globala utvecklingsmål.