Los métodos iterativos geométricos, incluyendo la aproximación iterativa progresiva y los métodos de interpolación geométrica, son eficientes para ajustar un conjunto de datos dado. Con el desarrollo de la tecnología de big data, la cantidad de puntos de datos para ajustar se ha vuelto masiva, y la aproximación iterativa progresiva para el ajuste de mínimos cuadrados (LSPIA) se aplica generalmente para ajustar datos en masa. Al combinar el método iterativo de Schulz para calcular la matriz inversa generalizada de Moore-Penrose con el método tradicional LSPIA, este artículo presenta un método acelerado LSPIA para superficies de producto tensorial y muestra que la secuencia de superficie iterativa correspondiente converge a la superficie de ajuste de mínimos cuadrados del conjunto de datos dado. El formato iterativo es el de un método iterativo no estacionario, y la tasa de convergencia aumentó rápidamente a medida que aumentaba el número de iteraciones. Se proporcionan algunos ejemplos numéricos para ilustrar que el método propuesto tiene una tasa de convergencia más rápida.