边远农村场景用户和业务量分布
预计在不久的将来，一个完全互联的社会将带来互联性、业务量和使用场景多样化的巨大增长。这需要在频谱、能源、部署等方面提高系统效率。为了在不久的将来更好地满足这样一个完全互联和网络化的社会的需要，在发展中国家和发达国家都存在一些典型使用场景，包括eMBB（enhanced Mobile Broadband）、mMTC（massive Machine Type Communications）和URLLC（Ultra-Reliable and Low Latency Communications）。
有一个重点场景是“低密度地区的超长距离覆盖（Extreme long distance coverage in low density areas）”。该场景的特点是针对低用户密度区域的远程（~100 km）宏小区。与此使用场景相关的5G技术可能会导致连接设备数量的增长，从而导致数据流量的增加。为了充分描述该场景，与用户和流量分布相关的模型非常重要。
在本文中，Facebook利用了人口密度数据，提供了全球人口密度分布的高分辨率视图。（这些结果和数据是通过在高分辨率卫星图像上应用最先进的计算机视觉和机器学习技术并结合现有普查数据获得的。这一庞大的数据集覆盖了世界上20多个国家）。
Facebook进行了严格的用户分布模型案例研究，重点放在特定地区。使用该模型的子集来评估先前提出的模型和规范的准确性。使用的人口统计数据提供了几个区域的人口分布，这些区域的规模大致大于与上述重点场景相关的未来宏小区所涵盖的规模。分析这些数据以了解与该地区相关的业务分布。
人口统计学和地形学数据的分析
为了获得超长距离场景下的高保真用户和流量分布，Facebook对南非的两个地区进行了网络部署案例研究：一个在Bloemfontein 周围，另一个在Durban周围。这些区域被划分为尺寸为30 m x 30 m的网格单元。获得了每个网格单元的人口统计数据，图1（a）和图2（a）分别显示了Durban和Bloemfontein 的人口统计数据。作为视觉辅助，图1（b）和图2（b）中显示了这些区域的人口统计数据的二维图像。通过将所有网格中的非零总体替换为1，获得二维图像。这有助于可视化与人口统计数据相关的地理位置方面。还获得了这些区域的地形数据，如图3所示。
