多变量时间序列插补（MTSI）在许多应用中至关重要，例如医疗监控和交通管理，其中不完整数据可能会损害决策过程。现有的最先进方法，如去噪扩散概率模型（DDPMs），虽然实现了高插补精度，但其计算成本较高且由于迭代性质而显著耗时。在这项工作中，我们提出了一种创新的适应性方法——CoSTI，即将一致性模型（CMs）应用于MTSI领域。CoSTI利用一致性训练，在大幅减少推理时间的同时实现与DDPMs相当的插补质量，使其更适合实时应用。我们在多个数据集和缺失数据场景中对CoSTI进行了评估，结果表明其插补时间最多可减少98%，性能与基于扩散的模型相当。这项工作弥合了生成式插补任务中的效率与准确性之间的差距，为关键时空系统中的缺失数据处理提供了一个可扩展的解决方案。