Las plataformas de redes sociales se han establecido como fuentes relevantes de información en tiempo real para el análisis del tráfico urbano. Este estudio propone un marco inteligente para la clasificación y el análisis espaciotemporal de incidentes de tráfico basado en flujos de datos semisintéticos construidos a partir de semillas geolocalizadas históricas para una validación controlada, utilizando informes reales de plataformas como X y Telegram. El enfoque integra aprendizaje automático adaptativo y agrupamiento basado en densidad incremental. Se utiliza un clasificador incremental de Bosque Aleatorio Adaptativo (ARF) para identificar el tipo de incidente, lo que permite la actualización continua del modelo en respuesta a cambios en el flujo de tráfico y el cambio de concepto. Los eventos clasificados se procesan utilizando DenStream, un algoritmo de agrupamiento que incorpora un mecanismo de decaimiento temporal diseñado para identificar patrones espaciales dinámicos y descartar información más antigua. La evaluación se realiza en un entorno de simulación de streaming controlado que replica la dinámica de ciudades como Panamá y Guayaquil. El marco propuesto demostró un rendimiento cuantitativo robusto, logrando una precisión precuencial de hasta el 86.4% y un F1-score ponderado de 0.864 en el escenario de Panamá, manteniendo una alta estabilidad frente al ruido semántico. Los resultados sugieren que esta arquitectura híbrida es un enfoque altamente viable para el monitoreo del tráfico urbano, proporcionando información útil para los Sistemas de Transporte Inteligente (ITS) al procesar señales sociales auténticas.