L’apprentissage profond est devenu une solution universelle pour les domaines techniques et commerciaux grâce à sa flexibilité et à son adaptabilité. Il est généralement mis en œuvre à l’aide de modèles opaques, ce qui nuit malheureusement à la confiance dans les résultats obtenus. Afin de mieux comprendre le comportement d’un système, en particulier lorsqu’il est piloté par des séries temporelles, il est essentiel d’explorer l’intérieur d’un modèle d’apprentissage profond, ce que permettent les approches post-hoc d’intelligence artificielle explicable (XAI). Deux grandes catégories d’approches XAI existent pour les données de séries temporelles : les méthodes indépendantes du modèle (model-agnostic) et les méthodes spécifiques au modèle (model-specific). Ce travail se concentre sur les approches spécifiques au modèle. Alors que d’autres méthodes utilisent soit la carte d’activation de classe (Class Activation Mapping, CAM), soit le mécanisme d’attention, nous combinons ces deux stratégies dans un système unique, appelé simplement Réseau neuronal explicable spatio-temporel pondéré dans le temps pour les séries temporelles multivariées (TSEM). Le modèle TSEM intègre les capacités des architectures RNN et CNN de manière telle que les unités cachées du RNN servent de poids d’attention sur l’axe temporel des cartes de caractéristiques du CNN. Les résultats montrent que TSEM surpasse XCM en termes de performance, tout en atteignant un niveau de précision comparable à celui de STAM, tout en respectant plusieurs critères d’interprétabilité, notamment la causalité, la fidélité et la spatio-temporalité.