Titulli i Disertacionit: PARASHIKIME ME ANЁ TЁ METODAVE HIBRIDE: SASIORE DHE INTELIGJENTE
Autori: Malvina XHABAFTI
-
Institucioni: Universiteti i Tiranës, Fakulteti i Ekonomisë, Departamenti i Statistikës dhe Informatikës së Zbatuar
-
Fusha e studimit: Sisteme Informacioni Ekonomi
-
Data e publikimit: 11.06.2026
-
Disertacioni gjendet i publikuar në Gjuhën Shqipe
© E drejta e autorit: Malvina XHABAFTI
Publikuar nga Universiteti i Tiranës
Bazuar në aktet ligjore, rregulloreve dhe politikave të UT-ës
👉 Klikoni këtu për të parë disertacionin e plotë (PDF)
Abstrakti
Ky disertacion trajton parashikimin e ekstremeve hidroklimatike përmes një kornize hibride që integron modele statistikore të serive kohore me metoda inteligjente (rrjete neurale), me synim rritjen e saktësisë dhe të aftësisë paralajmëruese për episode kritike. Studimi fokusohet në dy fenomene me rëndësi për kontekstin shqiptar: thatësirat përmes indeksit SPEI6 në zonën e Fierit dhe përmbytjet përmes reshjeve kumulative P3d në zonën e Shkodrës. Modelet individuale statistikore (SARIMAX) dhe neurale (ANN, LSTM) krahasohen me arkitektura hibride të ndërtuara sipas parimit “model bazë + korrigjues”, ku komponenti statistikor kap strukturën kryesore të sinjalit, ndërsa komponenti neural mëson pjesën jolineare përmes mësimit të mbetjeve. Vlerësimi realizohet në dy dimensione: parashikim regresiv i serisë dhe identifikim/klasifikim i ngjarjeve ekstreme, duke përdorur metrika të përshtatshme për klasat e pabalancuara dhe testim të bazuar në kohë për të ruajtur integritetin kronologjik. Rezultatet e analizës krahasuese tregojnë se modelet hibride janë më të balancuara dhe më efektive se modelet individuale sepse përmirësojnë njëkohësisht saktësinë e parashikimit regresiv dhe aftësinë paralajmëruese për identifikimin e ngjarjeve ekstreme. Brenda secilit fenomen, hibridet japin performancë më të plotë duke reduktuar gabimin mesatar dhe duke rritur cilësinë e sinjalizimit për evente të rralla ndërsa krahasimi ndër fenomene konfirmon se avantazhi i hibridizimit ruhet edhe kur ndryshon dinamika e procesit, duke e bërë qasjen hibride një strategji të qëndrueshme parashikimi për ekstreme hidroklimatike.
Fusha: Statistikë dhe Matematikë e Aplikuar në Ekonomi
Fjalët kyce: Metoda hibride, SARIMAX, ANN, LSTM, mësimi i mbetjeve, thatësira, SPEI6, përmbytje, P3d, ngjarje ekstreme;
Abstract
This dissertation addresses the forecasting of hydroclimatic extremes through a hybrid framework that integrates statistical time-series models with intelligent methods (neural networks), aiming to improve both predictive accuracy and early-warning capability for critical episodes. The study focuses on two phenomena of high relevance in the Albanian context: droughts, represented by the SPEI6 index in the Fier region, and flood-related extremes, represented by cumulative 3-day precipitation (P3d) in the Shkodër region. Standalone statistical (SARIMAX) and neural models (ANN, LSTM) are benchmarked against hybrid architectures designed under a “base model + corrector” principle, where the statistical component captures the dominant structure of the signal, while the neural component learns the remaining nonlinear dynamics via residual learning. Evaluation is performed along two dimensions: continuous (regression) forecasting of the target series and identification/classification of extreme episodes, using metrics appropriate for imbalanced classes and time-based testing to preserve chronological integrity. Comparative results show that hybrid models are more balanced and more effective than standalone models because they simultaneously improve regression forecasting accuracy and early-warning performance for extreme-event identification. Within each phenomenon, hybrids deliver more comprehensive performance by reducing average error and strengthening the quality of signaling for rare events, while cross-phenomenon comparisons confirm that the hybrid advantage remains robust even when process dynamics change, supporting hybridization as a stable forecasting strategy for hydroclimatic extremes.
Field of study: Applied Statistics and Mathematics in Economy
Keywords: Hybrid methods, SARIMAX, ANN, LSTM, residual learning, drought, SPEI6, floods, P3d, extreme events;