Die Vorhersage von Verkehrsunfällen aus Dashcam-Videos ist ein wichtiger Aspekt für sicherheitsgarantierte autonome Fahrzeugsysteme. Es stellt eine große Herausforderung dar, bei komplexen Verkehrsszenarien und begrenzten visuellen Hinweisen so früh wie möglich zu prognostizieren, wann ein Unfall eintreten wird. Die meisten bestehenden Ansätze konzentrieren sich darauf, die Merkmale von unfallrelevanten Akteuren zu lernen, während sie die räumlichen und zeitlichen Beziehungen zwischen diesen Akteuren vernachlässigen. Darüber hinaus können aktuelle deterministische tiefere neuronale Netze in falschen Vorhersagen übermäßig selbstsicher sein, was das Risiko von Verkehrsunfällen durch autonome Fahrzeugsysteme erhöht.In dieser Arbeit schlagen wir ein unsicherheitsbasiertes Modell zur Vorhersage von Verkehrsunfällen vor, das auf der Lernmethode räumlich-zeitlicher Beziehungen basiert. Das Modell prognostiziert sequentiell die Wahrscheinlichkeit des Auftretens eines Verkehrsunfalls anhand von Dashcam-Videos. Insbesondere schlagen wir vor, Graphkonvolution und rekurrente Netze für das Lernen relationaler Merkmale zu nutzen und Bayessche Neuronale Netze zur Berücksichtigung der intrinsischen Variabilität latenter relationaler Repräsentationen einzusetzen. Der abgeleitete unsicherheitsbasierte Rangverlust wurde als signifikant fördernd für die Leistung des Modells festgestellt, da er die Qualität der relationalen Merkmale verbessert.Zusätzlich haben wir einen neuen Datensatz zur Vorhersage von Verkehrsunfällen erstellt, den Car Crash Dataset (CCD), der Umgebungsattribute und Unfallursachen-Annotationen enthält. Experimentelle Ergebnisse sowohl auf öffentlichen als auch auf dem neu erstellten Datensatz zeigen den Stand der Technik in der Leistung unseres Modells. Unser Code und der CCD-Datensatz sind unter https://github.com/Cogito2012/UString verfügbar.