La investigación sobre simulación de energía urbana se ha explorado para prever el impacto de los desarrollos urbanos en las huellas energéticas. Sin embargo, el logro de precisión, escalabilidad y aplicabilidad aún no se ha cumplido al abordar condiciones específicas del sitio y escenarios de desarrollo no construidos. Esta investigación tiene como objetivo investigar el método de integración de modelado urbano, simulación y predicciones de aprendizaje automático (ML) para la previsión de la radiación solar de los planes de desarrollo urbano en los Estados Unidos. La investigación consistió en un estudio de caso del desarrollo de Crecimiento Inteligente en el área metropolitana del sur de Kansas City. Primero, este estudio analizó las regulaciones de Crecimiento Inteligente y creó modelos urbanos utilizando Modelado de Información de Edificios (BIM) paramétrico. Luego, se creó una interfaz de simulación para realizar iteraciones de simulación. Los resultados de la simulación se utilizaron para crear modelos de ML para la predicción de radiación solar específica del contexto. Para la creación del modelo de ML, se compararon y probaron cuatro algoritmos con varias técnicas de diagnóstico de datos. Los resultados de la simulación indicaron que los niveles de radiación solar están asociados con configuraciones de bloques y edificios, que están especificadas en las regulaciones de Crecimiento Inteligente. Entre los cuatro modelos de ML, XGBoost tuvo una mayor capacidad predictiva para múltiples bloques urbanos. Los resultados también mostraron que el rendimiento de los algoritmos de ML es sensible a las técnicas de diagnóstico de datos y selección de modelos.