Este artículo presenta un nuevo marco para integrar el aprendizaje profundo (DL) en el modelado de la dinámica de sistemas (DS) de logística de transporte. Para abordar la insuficiente capacidad explicativa y la baja fiabilidad causal de los modelos existentes basados en DL, proponemos un enfoque híbrido que combina la interpretabilidad basada en conceptos, la interpretabilidad mecanicista y técnicas de aprendizaje automático causal con DL. Este enfoque construye un modelo de red neuronal utilizando variables semánticamente explícitas y procesables, preservando la base causal y la transparencia de los modelos DS existentes. Validamos este enfoque aplicándolo a un caso práctico real del proyecto AutoMoTIF de la UE (soporte de decisiones basado en datos, automatización y optimización de una terminal logística multimodal), demostrando el papel de los métodos simbólicos neuronales para reducir la brecha entre los modelos predictivos de caja negra y el soporte de decisiones críticas en el complejo entorno dinámico de los sistemas ciberfísicos industriales basados en IoT.
