El desarrollo de la tecnología de vehículos conectados y automatizados (CAV) no solo ayuda a reducir los accidentes de tráfico y mejorar la eficiencia del tráfico, sino que también tiene un potencial significativo para el ahorro de energía y la reducción de emisiones. Utilizar la información dinámica del flujo de tráfico alrededor del vehículo para optimizar la trayectoria del vehículo es beneficioso para mejorar la eficiencia energética del mismo. Por lo tanto, en este documento se propone un método de conducción eficiente en energía para CAV basado en el aprendizaje por refuerzo. En primer lugar, se desarrollan un conjunto de modelos de predicción de trayectoria de vehículos basados en redes neuronales de memoria a largo y corto plazo (LSTM), que integran la predicción de la intención de conducción y la predicción del tiempo de cambio de carril para mejorar la precisión de la predicción de las trayectorias de los vehículos circundantes. En segundo lugar, se construye un modelo de conducción eficiente en energía basado en la Optimización de Políticas de Proximidad (PPO) del aprendizaje por refuerzo. El modelo toma los estados actuales y las trayectorias predichas de los vehículos circundantes como información de entrada y genera variables de control que ahorran energía, teniendo en cuenta diversas restricciones, como la seguridad, la comodidad y la eficiencia del viaje. Finalmente, el método se prueba mediante simulación en el conjunto de datos NGSIM, y los resultados muestran que el método propuesto puede ahorrar el consumo de energía entre un 9% y un 22%.