交通事故预测旨在尽可能早地从行车记录仪视频中预测事故，这对于安全保证的自动驾驶系统至关重要。在复杂的交通场景和有限的视觉线索下，从早期观察到的帧中预测事故发生的时间长度极具挑战性。现有的大多数方法都是为了学习与事故相关的代理特征以进行事故预测，而忽略了这些代理之间的空间和时间关系特征。此外，当前确定性的深度神经网络在错误预测时可能会过于自信，从而导致由自动驾驶系统引起的交通事故风险增加。本文提出了一种基于不确定性的事故预测模型，并结合了时空关系学习。该模型利用行车记录仪视频顺序预测交通事故发生的概率。具体而言，我们提出利用图卷积和递归网络进行关系特征学习，并借助贝叶斯神经网络来解决潜在关系表示的内在变异性问题。实验发现，基于不确定性的排序损失显著提升了模型性能，通过提高关系特征的质量实现了这一目标。此外，我们收集了一个新的汽车碰撞数据集（Car Crash Dataset, CCD），用于交通事故预测，其中包含环境属性和事故原因注释。在公共数据集和新编数据集上的实验结果表明，我们的模型达到了最先进的性能水平。我们的代码和CCD数据集可在https://github.com/Cogito2012/UString 获取。