La reconnaissance d'événements anormaux, tels que les infractions au code de la route et les accidents, dans des scènes de conduite naturelle est essentielle pour le succès de la conduite autonome et des systèmes d'assistance à la conduite avancés. Cependant, la plupart des travaux sur la détection d'anomalies vidéo souffrent de deux inconvénients majeurs. Premièrement, ils supposent que les caméras sont fixes et que les vidéos ont des arrière-plans statiques, ce qui est pertinent pour les applications de surveillance mais pas pour les caméras embarquées dans les véhicules. Deuxièmement, ils abordent le problème comme une classification à une classe, en s'appuyant sur des ensembles de données d'entraînement fastidieusement étiquetés à la main, ce qui limite la reconnaissance aux catégories d'anomalies explicitement formées. Cet article propose une approche non supervisée pour la détection d'accidents de circulation dans des vidéos en vue subjective (caméra fixée au tableau de bord). Notre principale innovation consiste à détecter les anomalies en prédiction des futurs emplacements des participants à la circulation, puis en surveillant l'exactitude et la cohérence des prédictions avec trois stratégies différentes. Nous évaluons notre approche en utilisant un nouveau jeu de données diversifié d'accidents de circulation, AnAn Accident Detection (A3D), ainsi qu'un autre jeu de données publiquement disponible. Les résultats expérimentaux montrent que notre approche surpasse l'état de l'art.