Cet article présente un nouveau cadre d'intégration de l'apprentissage profond (AP) à la modélisation de la dynamique des systèmes logistiques de transport (DS). Pour remédier au manque de pouvoir explicatif et à la faible fiabilité causale des modèles existants basés sur l'AP, nous proposons une approche hybride combinant interprétabilité conceptuelle, interprétabilité mécaniste et techniques d'apprentissage automatique causal avec l'AP. Cette approche construit un modèle de réseau neuronal utilisant des variables sémantiquement explicites et exploitables, préservant ainsi la base causale et la transparence des modèles DS existants. Nous validons cette approche en l'appliquant à une étude de cas réelle issue du projet européen AutoMoTIF (aide à la décision, automatisation et optimisation pilotées par les données d'un terminal logistique multimodal), démontrant le rôle des méthodes symboliques neuronales pour combler le fossé entre les modèles prédictifs de type boîte noire et l'aide à la décision critique dans l'environnement dynamique complexe des systèmes cyberphysiques industriels basés sur l'IoT.
