Die Mehrdimensionale Zeitreihenimputation (MTSI) ist für viele Anwendungen wie die Gesundheitsüberwachung und Verkehrsmanagement von entscheidender Bedeutung, da unvollständige Daten die Entscheidungsfindung gefährden können. Bestehende Methoden auf dem neuesten Stand der Technik, wie Denoising Diffusion Probabilistische Modelle (DDPMs), erreichen hohe Imputationsgenauigkeit; jedoch sind sie mit erheblichen Rechenkosten verbunden und aufgrund ihrer iterativen Natur bemerkenswert zeitaufwendig. In dieser Arbeit schlagen wir CoSTI vor, eine innovative Anpassung von Konsistenzmodellen (CMs) für den Bereich der MTSI. CoSTI nutzt Konsistenztraining, um eine vergleichbare Imputationsqualität wie DDPMs zu erreichen, während es die Inferenzzeiten drastisch reduziert, was es besser für Echtzeit-Anwendungen geeignet macht. Wir evaluieren CoSTI anhand mehrerer Datensätze und Szenarien mit fehlenden Daten und zeigen eine Reduktion der Imputationszeit von bis zu 98 % bei einer Leistung, die den diffusionsbasierten Modellen gleichkommt. Diese Arbeit schließt die Lücke zwischen Effizienz und Genauigkeit in generativen Imputationsaufgaben und bietet eine skalierbare Lösung zur Behandlung fehlender Daten in kritischen räumlich-zeitlichen Systemen.