多変量時系列補完（Multivariate Time Series Imputation: MTSI）は、医療監視や交通管理などの多くの応用分野において重要な役割を果たします。これらの分野では、データの不完全さが意思決定に悪影響を及ぼす可能性があるためです。既存の最先端手法であるノイズ除去拡散確率モデル（Denoising Diffusion Probabilistic Models: DDPMs）は高い補完精度を達成していますが、計算コストが高く、反復的な性質により特に時間がかかるという問題があります。本研究では、一貫性モデル（Consistency Models: CMs）をMTSI分野に革新的に適応させたCoSTIを提案します。CoSTIは一貫性トレーニングを用いて、DDPMsと同等の補完品質を達成しながら推論時間を大幅に削減し、リアルタイムアプリケーションにより適していることを示しています。私たちは複数のデータセットと欠損データシナリオでCoSTIを評価し、最大98%の補完時間短縮を実現しつつ、拡散ベースのモデルと同等の性能を持つことを確認しました。本研究は生成型補完タスクにおける効率性和正確性のギャップを埋め、重要な空間時系列システムでの欠損データ処理に対するスケーラブルな解決策を提供します。