Mit einer stetig fortschreitenden Technisierung in der Automobilindustrie erhält das Konzept des autonomen Fahrens immer mehr auf Aufmerksamkeit. Dabei handelt es sich um Fahrzeuge, welche die Fähigkeit besitzen, eigenständige Entscheidungen zu treffen und umzusetzen. Dies ermöglicht einen effizienteren und komfortableren Transport. Als Wissensgrundlage für die Entscheidungsfindung dienen Sensordaten der Umgebung. Eigene Sensoren, wozu z.B. Außenkameras gehören, reichen aufgrund ihrer eingeschränkten Wahrnehmung nicht aus. Mit dem Einsatz von sogenannten Connected Cars kann die Datensammlung über die Sensoren eines einzelnen Fahrzeuges hinaus erweitert werden. Bei diesen handelt es sich um Fahrzeuge, die in der Lage sind, sich untereinander und mit dem Internet zu verbinden. Auf diese Weise können neben Sensordaten auch die Fahrabsichten kommuniziert werden. Somit gibt es zur Steuerung und Überwachung eines Fahrzeuges eine große Menge interner und externer Datenquellen. Zur Gewinnung von Wissen werden viele Verarbeitungsschritte, z.B. zur Reinigung der Daten, benötigt. Daraus resultieren äußerst komplexe Datenflüsse. In dieser Arbeit werden Konzepte entwickelt, um eine Modellierung dieser Datenflüsse durch Datenpipelines zu ermöglichen. Dabei werden Anforderungen, welche für Connected Cars und Datenpipelines gelten, herausgestellt und berücksichtigt. Dazu zählen z.B. die Eigenschaften der verteilten Rechenknoten von Connected Cars. Zusätzlich werden die entwickelten Konzepte in einem Modellierungswerkzeug implementiert. Dieses ermöglicht ein leichtes Anlegen von Modellen unter Berücksichtigung der Anforderungen. Die Modelle können schließlich für Deployments in Connected Cars eingesetzt werden. Wie so ein Deployment aussehen kann, wird anhand einer Demonstrations-Umgebung simuliert.