Neben Maßnahmen wie der Elektrifizierung von Fahrzeugantrieben liegt auch in der Fahrzeugführung ein wichtiger Hebel zur Reduktion des Energiebedarfs und der Emissionen von Fahrzeugen. Daher gewinnen Ansätze zur effizienten automatisierten Längsdynamikführung zunehmend an Bedeutung. Vor diesem Hintergrund wird in der vorliegenden Arbeit ein längsdynamischer Regelungsansatz entwickelt, mit dem durch die Integration von prädiktiven Elementen eine vorausschauende Fahrweise für den städtischen Verkehr erzielt wird. Um die Auswirkungen auf die Energieeffizienz der Regelung modellbasiert untersuchen zu können, wird eine Co-Simulationsumgebung aus einer Fahrzeugsimulation und einer Verkehrssimulation entwickelt. Mit der Fahrzeugsimulation können Fahrzeuge mit verschiedenen Antriebsarten modelliert werden und die Auswirkungen der Längsdynamikregelung auf den Energiebedarf der Fahrzeuge abgebildet werden. Die Verkehrssimulation basiert auf einem mikroskopischen Verkehrsmodell des Stadtgebiets von Darmstadt und ermöglicht die Untersuchung bei variierenden Fahrstrecken und Verkehrsumgebungen. Für die vorausschauende Längsdynamikregelung werden Informationen einer V2X-Fahrzeugkommunikationsschnittstelle genutzt und ein neuronales Prädiktionsmodell auf Basis von Methoden des maschinellen Lernens entwickelt. Ein konventioneller längsdynamischer Regelungsansatz wird um einen Prädiktionsregelungsmodus erweitert, in dem das Modell die zukünftigen Verläufe der Geschwindigkeiten relevanter Fahrzeuge prädiziert und um so antizipierend reagieren zu können.