Este artículo propone un novedoso modelo de regresión de vectores de soporte insensibles paramétricos gemelos dispersos (STPISVR), diseñado para mejorar la dispersión y mejorar el rendimiento de generalización. Similar al modelo de regresión de vectores de soporte insensibles paramétricos gemelos (TPISVR), STPISVR construye un par de funciones de límite paramétricas insensibles no paralelas para determinar indirectamente la función de regresión. Los problemas de optimización se reformulan como dos problemas de programación lineal dispersa (LPP), en lugar de problemas de programación cuadrática tradicionales (QPP). Los dos LPP se derivan originalmente de términos de regularización de norma L1 iniciales impuestos a sus respectivas variables duales, que se simplifican a constantes a través de las condiciones de Karush-Kuhn-Tucker (KKT) y desaparecen consecuentemente. Esta simplificación reduce la complejidad del modelo, mientras que las restricciones construidas a través de las condiciones KKT, en particular sus propiedades geométricas, garantizan efectivamente la dispersión. Además, se propone una estrategia de ajuste híbrido de dos etapas que combina la búsqueda en cuadrícula para la exploración del espacio de parámetros gruesos y la optimización bayesiana para la convergencia detallada para seleccionar con precisión los parámetros óptimos, reduciendo el tiempo de ajuste y mejorando la precisión en comparación con una sola estrategia de método. Los resultados experimentales en conjuntos de datos sintéticos y de referencia demuestran que STPISVR reduce significativamente el número de vectores de soporte (SV), mejorando así la velocidad de predicción y logrando un equilibrio favorable entre la precisión de predicción, la dispersión y la eficiencia computacional. En general, STPISVR mejora la capacidad de generalización, promueve la dispersión y mejora la eficiencia de predicción, convirtiéndose en una herramienta competitiva para tareas de regresión, especialmente en el manejo de estructuras de datos complejas.