1. 먼저 실시간 대용량데이터에 대한 특성 패턴화 작업을 수행하는 방법을 개발한다. 이를 위해, 실시간 대용량데이터에 대해 Connective Dependence 방식으로 군집화와 이상치 탐지를 할 수 있는 알고리즘을 개발한다. 또한, 이상치 제거의 실시간 의사결정을 위하여, oc-svm 기반의 최적 이상치 탐지 알고리즘을, 데이터의 sample generatin 방법을 통해 개발한다. 데이터 sample generation 방법은 실시간 대용량 데이터의 기하공간 구조에 기반하여 정상상황의 데이터와 이상치 데이터의 경우로 나누어 생성하고, 최적 탐지 알고리즘에 사용한다. 위의 방법을 통해 실시간 데이터의 군집 특성과 패턴을 찾아낼 수 있게 된다. 2. 다음으로, 실시간 대용량데이터의 예측 모형 방법을 개발한다. 이를 위해, 크게 3가지 모형을 개발하고 한다. 첫째로, ARIMA 기반 방법을 실시간 대용량에 맞게 바꾸는 작업과 둘째로, 분산최적화 방법인 ADMM을 사용하여 딥뉴럴네트워크 예측 모형을 개발하고 한다. 실시간 대용량데이터 특화된 ARIMA 그룹 회귀 모형의 이론적 및 실험적 특징을 확인하고 실시간 예측 모형을 구성한다. 그리고, 딥러닝에서 기본적으로 사용되는 딥뉴럴네트워크에서 실시간 대용량 데이터가 안정적으로 예측이 되도록 sparse한 학습이 가능하게 만든다. 이는 딥러닝의 '큰 파라미터 공간' 문제를 해결함과 동시에 실시간 대용량 데이터에 대한 성능을 보장해주는 주요한 연구 결과가 될 것이다. 랜덤포레스트에 대하여 실시간 데이터에 대한 온라인 트리 업데이트 및 트리 제거 및 추가 알고리즘을 개발하고 한다. 3. 마지막으로, 실시간 대용량에 특화된 기계학습 알고리즘을 해석과 적용이 가능하도록 모형 해석기를 개발하고자 한다. 모형 해석기를 통하여 기계학습 결과를 사용하여 의사결정을 할 때에, 변수의 선택과 설정이 가능하게 한다. 또한, 개발된 기계학습 알고리즘을 실시간 반도체 공정데이터, 대용량 타이어 실험 데이터, 실시간 전력 센서데이터에 적용하여 검증하도록 한다.