Las redes ad hoc vehiculares (VANETs) que incorporan vehículos como una topología activa y rápida están ganando popularidad como medios de comunicación inalámbrica en sistemas de transporte inteligentes (ITSs). El problema de ciberseguridad en VANETs ha llamado la atención debido a las posibles amenazas de seguridad a las que se enfrentan estas redes. Una medida efectiva de ciberseguridad es esencial ya que las amenazas de seguridad impactan en el sistema en general, desde interrupciones comerciales hasta corrupción de datos, robo, exposición y acceso no autorizado a la red. Los sistemas de detección de intrusiones (IDSs) son medidas populares de ciberseguridad que detectan comportamientos intrusivos en una red. Recientemente, el IDS basado en aprendizaje automático (ML) ha surgido como una nueva dirección de investigación en la seguridad de VANET. Los estudios de IDS basados en ML se han centrado en mejorar la precisión como una tarea típica de clasificación sin enfocarse en datos maliciosos. Este estudio propone un nuevo IDS para VANETs que presta más atención a clasificar correctamente los casos de ataque con un mínimo de características requeridas mediante la aplicación de análisis de componentes principales. El marco ML en cascada propuesto reconoce la diferencia entre los casos de ataque y normales en el primer paso y clasifica los datos de ataque en el segundo paso. El marco enfatiza que un ataque no debe clasificarse en la clase normal. Finalmente, el marco propuesto se implementa con una red neuronal artificial, el modelo ML más popular, y se evalúa con el conjunto de datos de Car Hacking. Además, el estudio también investiga la eficiencia de tareas de clasificación típicas y las compara con los resultados del marco propuesto. Los resultados experimentales en el conjunto de datos de Car Hacking han revelado que el método propuesto es un IDS efectivo y que superó a los modelos ML de vanguardia existentes.