由于物联网迅猛发展以及大规模智能终端接入,静态边缘节点无法高效解决资源不足的设备与密集型任务之间的冲突问题。无人机充当移动基站可在通信设施不足地区或地震等自然灾害情况下快速通信和处理设备任务。然而,基于无人机基站的卸载研究大多忽略历史数据的重要价值和终端设备产生任务的规律性。此外,现有研究很少考虑大规模任务卸载,未考虑随着终端设备产生任务的改变会导致所需无人机数量的改变。本文创建多无人机集群辅助移动边缘计算（MEC）,为大规模终端设备提供快速高效的服务。考虑到终端设备和无人机能量有限以及敏感任务的时延约束,本文提出了一种联合任务预测（Task Prediction）和差分进化（Differential Evolution）优化框架,称为Tp De Ras方案。以真实交通监控场景为例,分别在二进制卸载模式（Tp De Ras-1）和部分卸载模式（Tp De Ras-2）下对无人机部署和资源分配进行优化以降低该系统的总成本。为得到设备未来任务序列集,本文首先提出基于分布式多层长短期记忆神经网络的任务预测算法,根据设备生成任务规律来实现对不同终端设备的任务预测。其次,基于预测任务集,最小化系统总成本问题被分为无人机部署子问题和资源分配子问题进行联合优化。本文采用自适应差分进化算法对无人机数量和位置进行实时优化,从而优化无人机部署方案。进化过程中以完成任务百分率为约束条件使用自适应调整算法优化无人机数量和利用差分进化算法优化无人机群位置。同时,基于预测任务集和无人机部署方案,本文灵活采用Tp De Ras-1框架或Tp De Ras-2框架优化无人机资源分配,以获得最满意的计算卸载方案。实验结果证明本文所提出的Tp De Ras方法对比其他卸载算法在性能上有极大的提升。Tp De Ras方案可适用于动态改变的实际场景。当任务数据量低时,Tp De Ras-1方案效率更高;当任务数据量高时,Tp De Ras-2方案处理任务总成本更低。