La detección efectiva de incidentes es esencial para la respuesta a emergencias y la gestión del transporte. Los métodos tradicionales que dependen de tecnologías estacionarias suelen ser costosos y ofrecen una cobertura limitada, lo que impulsa la exploración de datos crowdsourced como Waze. Si bien Waze ofrece una amplia cobertura, sus datos pueden ser no verificados y poco fiables. Este estudio tiene como objetivo identificar los factores que afectan la fiabilidad de las alertas de Waze y desarrollar un modelo predictivo para distinguir incidentes reales de alertas falsas utilizando datos de Waze en tiempo real, mejorando así los tiempos de respuesta a emergencias. Los datos reales de accidentes del Departamento de Transporte de Nueva Jersey (NJDOT) y los datos crowdsourced de Waze se emparejaron utilizando el algoritmo de Clustering Espacial Basado en Densidad de Aplicaciones con Ruido (DBSCAN) para diferenciar alertas verdaderas y falsas. Se construyó un modelo logit binario para revelar predictores significativos como categorías de tiempo alrededor de las horas pico, tipo de carretera, calificaciones de informes y tipo de accidente. Los hallazgos indican que la probabilidad de alertas precisas de Waze aumenta durante las horas pico, en calles y con calificaciones de informes más altas y accidentes importantes. Además, se desarrollaron y evaluaron múltiples modelos predictivos basados en aprendizaje automático para pronosticar en tiempo real si las alertas de Waze corresponden a incidentes reales. Entre esos modelos, el modelo de Bosque Aleatorio logró la mayor precisión general (82.5%) y puntuación F1 (82.8%), y un Área Bajo la Curva de Característica Operativa del Receptor (AUC-ROC) de 0.90, demostrando su robustez y fiabilidad para la detección de incidentes en tiempo real. El Gradient Boosting, con un AUC-ROC de 0.90 y un Área Bajo la Curva de Precisión-Recuperación (AUC-PR) de 0.90, también tuvo un buen desempeño, destacando particularmente en la predicción de alertas verdaderas. El análisis enfatizó aún más la importancia de predictores clave como la hora del día, las calificaciones de informes y el tipo de carretera. Estos hallazgos proporcionan información práctica para mejorar la precisión de la detección de incidentes y aumentar la fiabilidad de las alertas de tráfico crowdsourced, apoyando sistemas de gestión del tráfico y respuesta a emergencias más efectivos.