Actualmente, la construcción de carreteras y control de tráfico en la mayoría de los campus universitarios no puede seguir el ritmo del crecimiento de las universidades. Las vías del campus no son muy anchas, los cruces no tienen luces y no hay personal de gestión de tráfico a tiempo completo. Los profesores y estudiantes tienden a formar un flujo pico de personas al ir y venir de las clases. Esto ha llevado a una corriente constante de accidentes de tráfico. Es crítico realizar un análisis exhaustivo de este problema utilizando datos voluminosos sobre incidentes de tráfico escolar para proteger la vida del personal docente y los estudiantes. En el caso de las universidades nacionales, se han realizado menos estudios sobre los métodos de construcción de grafos de conocimiento para incidentes de seguridad vial. En la construcción de grafos de conocimiento de eventos, la liberación y reciclaje razonables de recursos computacionales son ineficientes, y los métodos existentes de extracción conjunta de entidades-relaciones no pueden manejar problemas de superposición ternaria y ambigüedad en los límites de las entidades en la extracción de relaciones. En respuesta a los problemas mencionados, este documento propone un método de construcción de grafo de conocimiento para eventos de seguridad vial en el campus universitario con algoritmos mejorados de programación de recursos dinámicos y redes neuronales convolucionales de grafos semánticos de múltiples capas. Los resultados del experimento muestran que el método propuesto de programación dinámica de recursos computacionales aumenta el uso de GPU y CPU en un 25% y 9%. En el conjunto de datos público, los puntajes F1 del modelo de extracción de datos propuesto para triples de eventos aumentan en un 1.3% en el conjunto de datos NYT y en un 0.4% en el conjunto de datos WebNLG. Este método puede ayudar al personal universitario relevante a hacer frente a incidentes de tráfico inesperados y reducir el impacto en la opinión pública.