La adopción de sistemas de transporte inteligente cooperativo (cITSs) mejora la seguridad vial y la eficiencia del tráfico. Los vehículos conectados a cITS forman redes ad hoc vehiculares (VANET) para intercambiar mensajes. Como otras redes y sistemas, los cITSs son el objetivo de atacantes con la intención de comprometer y perturbar la integridad y disponibilidad del sistema. Pueden falsificar repetidamente información falsa causando cuellos de botella, embotellamientos e incluso accidentes de tráfico. La infraestructura de seguridad existente asume que la topología de la red y/o el comportamiento del ataque son estáticos. Sin embargo, el cITS es inherentemente dinámico en su naturaleza. Además, los atacantes pueden tener la capacidad y los recursos para cambiar continuamente su comportamiento. Suponer un modelo de seguridad de IDS estático para VANETs no es adecuado y puede llevar a una baja precisión de detección y a una alta cantidad de falsas alarmas. Por lo tanto, este documento propone una solución de seguridad adaptativa basada en aprendizaje profundo y referencias contextuales que pueden hacer frente a la naturaleza dinámica de las topologías de cITS y a los comportamientos de ataque cada vez más comunes. En este estudio, se utilizó el modelado de redes de creencias profundas (DBN) para entrenar el modelo de detección. La entropía cruzada binaria se utilizó como función de pérdida para medir el error de predicción. Se utilizaron dos funciones de activación, Relu y Softmax, para el mapeo de entrada-salida. El Relu se utilizó en las capas ocultas, mientras que el Sigmoid se utilizó en la última capa para mapear el vector real a una salida entre 0 y 1. El mecanismo de adaptación se incorporó al modelo de detección utilizando un promedio móvil que monitorea los valores predichos dentro de una ventana de tiempo. De esta manera, el modelo puede readaptar los umbrales de clasificación sobre la marcha según corresponda. El modelo propuesto fue evaluado utilizando el conjunto de datos de Simulación de la Próxima Generación (NGSIM), que se utiliza comúnmente en trabajos relacionados. El resultado es una precisión mejorada, demostrando que el mecanismo de adaptación utilizado en este estudio fue efectivo.