本研究解决了多变量时间序列插补（MTSI）中存在的高计算成本与低效率弥补的问题。提出的CoSTI模型通过一致性训练，能够在保持与传统去噪扩散概率模型相当的插补质量的同时，大幅降低推理时间，适用于实时应用。研究表明，CoSTI在多个数据集和缺失数据场景中实现了高达98%的插补时间减少，推动了生成插补任务中的效率与准确性之间的平衡。