Completar datos de tráfico es un requisito básico para los sistemas de transporte inteligente. Sin embargo, completar datos de tráfico espacio-temporales plantea un desafío significativo, especialmente para datos de alta dimensionalidad con mecanismos de ausencia complejos. Varios métodos de completado que apuntan a diferentes mecanismos de ausencia han demostrado la superioridad del aprendizaje tensorial al caracterizar eficazmente correlaciones espacio-temporales intrincadas. En este estudio, se propone un nuevo marco de completado tensorial, conocido como el método de completado tensorial de múltiples fuentes para la fusión de datos. Este marco incorpora relaciones de transferencia de pasajeros entre autobuses y metros en el completado de datos de metro, mejorando la precisión del completado de datos. Además, al combinar datos de flujo de pasajeros de transferencia de autobuses con otras dimensiones de datos, como las diferentes secciones de carretera, intervalos de tiempo y días, se obtuvo un innovador marco de completado de datos tensoriales de baja clasificación 4D. Además, para aumentar la precisión del completado, se derivó un modelo de optimización de norma truncada. Este modelo mejora el rendimiento no convexo de la función objetivo a lo largo del proceso de completado tensorial. Los resultados destacan la superioridad del método de completado propuesto, aprovechando datos de metro/autobús fusionados sobre otros métodos de completado que dependen únicamente de datos de metro.