الإكمال المتعدد للمسلسلات الزمنية (MTSI) يعد ضروريًا للكثير من التطبيقات، مثل مراقبة الرعاية الصحية وإدارة المرور، حيث يمكن أن تؤدي البيانات الناقصة إلى تدهور جودة اتخاذ القرارات. رغم أن الأساليب الحالية المتطورة، مثل نماذج الانتشار التخفيضي (Denoising Diffusion Probabilistic Models - DDPMs)، تحقق دقة إكمال عالية، إلا أنها تعاني من تكاليف حسابية كبيرة وتستغرق وقتًا طويلًا بشكل ملحوظ بسبب طبيعتها التكرارية. في هذا البحث، نقترح نموذج CoSTI، وهو تكيف مبتكر لنماذج التناسق (Consistency Models - CMs) في مجال الإكمال المتعدد للمسلسلات الزمنية (MTSI). يستخدم CoSTI التدريب على التناسق لتحقيق جودة إكمال مماثلة لتلك التي يوفرها DDPMs مع خفض كبير في أوقات الاستدلال، مما يجعله أكثر ملاءمة للتطبيقات الفورية. قمنا بتقييم CoSTI عبر عدة قواعد بيانات وسيناريوهات بيانات ناقصة، مما أظهر تخفيضًا بنسبة تصل إلى 98% في وقت الإكمال مع أداء يعادل أداء النماذج القائمة على الانتشار. يعمل هذا البحث على تقليص الفجوة بين الكفاءة والدقة في مهام الإكمال الجينراتيفي، ويقدم حلًّا قابلًا للتدرج لمعالجة البيانات الناقصة في الأنظمة المكانية-زمانية الحرجة.